【CVPR2022】整合少样本学习的分类和分割

本文介绍了一种综合任务——少样本分类与分割(FS-CS)，该任务的目的是在给出目标类的情况下，对查询图像中的目标对象进行分类和分割。该任务结合了两个传统的少样本学习问题:少样本分类和分割。FS-CS将它们推广到具有任意图像对的更真实的事件中，其中每个目标类可能出现在查询中，也可能不出现。为了解决这一问题，我们提出了FS-CS的整合少样本学习(iFSL)框架，该框架训练学习者构建类方向的前景图，用于多标签分类和像素方向的分割。我们还开发了一种有效的iFSL模型——注意力挤压网络(ASNet)，该模型利用深度语义相关性和全局自注意力来生成可靠的前景图。在实验中，该方法在FS-CS任务中表现出了良好的性能，并在标准的少样本分割基准上达到了目前的水平。