CANet: Class-Agnostic Segmentation Networks with Iterative Refinement andAttentive Few-Shot Learning

2019

初识（Abstract & Introduction & Conclusion）

相知（Body）

2. Related Work

Semantic Segmentation. 训练模型需要大量的数据，而像素级的标注是很昂贵的，模型一旦训练好，就不能对新的类别进行分割。而我们的模型在仅有少量标注的例子下，可以泛化到任意新的类别。

Few-shot Learning. 少样本学习的目的是学习可迁移的知识，这些知识可以推广到具有稀缺标签训练数据的新类。我们网络中的密集比较模块可以看作是关系网络在稠密形式上的扩展，以解决分割任务。

Few-shot Semantic Segmentation. 以前关于少样本语义分割的工作采用双分支结构。以往方法中的模型侧重于 1-shot 设置，当将 1-shot 扩展到 k-shot 时，对每个支持示例独立地应用 1-shot 方法，并使用不可学习的融合方法在图像级别或特征级别对单个预测结果进行融合。我们采用一种可学习的方法，通过注意力机制来有效地融合来自多个支持实例的信息。

3. Task Description

4. Method

我们的网络由两个模块组成：密集比较模块(DCM)和迭代优化模块(IOM)。DCM在支持示例和查询示例之间执行密集特征比较，而IOM执行预测结果的迭代细化。图2(A)显示了我们的框架的概述。

4.1. Dense Comparison Module

4.2. Iterative Optimization Module

4.3. Attention Mechanism for k-shot Segmentation

4.4. Bounding Box Annotations

5. Experiments

采用交叉熵作为损失函数。