基于语义分割的小样本模型

常用语义分割小样本模型

1.介绍

在图像分类、目标检测以及语义分割等多个视觉理解任务中，深度卷积神经网络均取得了显著进展。这一成果的关键因素之一是大规模数据集的广泛应用，例如ImageNet等数据集，它们为深度模型的训练提供了坚实的基础。然而，数据标注过程成本较高，尤其是在涉及密集预测的任务中，如语义分割和实例分割。此外，在完成模型训练后，将其应用于新类别的预测仍面临较大挑战。与机器学习算法不同的是，人类只需观察少量实例即可轻松地从图像中识别并分割出新的概念。这种人类与算法之间的差距促使了小样本学习的研究发展，其核心目标是构建一种能够有效推广至仅有少量标记数据的新类别上的模型。

语义分割是指为图像中的每个像素点分配对应的类别标签。通常认为该像素点的类别与其相邻像素的类别存在关联，并且也受到其所属整体区域类别的影响。借助图像分类网络结构，可以通过提取不同层次的特征向量来满足判断需求。现有算法的主要差异体现在如何提升这些特征向量的分辨率以及如何将它们进行组合。

几种结构

·
全卷积网络FCN：通过上采样操作提高分割精度，并将不同层级的特征向量进行相加处理。[3]

·
UNET：采用拼接方式整合特征向量；设计编码-解码结构；引入弹性形变以实现数据增强；使用边界加权损失函数来分离相邻细胞。[4]

·
SegNet：在池化过程中记录位置信息，并在反池化阶段恢复这些信