文章目录
- 前言
- 概述
- Proposed benchmark
- 整体机制 with CD-FSS
- PATNet
- 任务自适应微调推理（TFI）策略
- 实验和可视化
- 总结
- 参考链接
- 同系列的文章
前言
继医学图像处理系列之后，我们又回到了小样本语义分割主题上，之前阅读笔记的链接我也在文末整理了一下。小样本语义分割旨在学习只用几个带标签的样本来分割一个新的对象类，大多数现有方法都考虑了从与新类相同的域中采样基类的设置（假设源域和目标域相似）。然而，在许多应用中，为元学习收集足够的训练数据是不可行的。这篇论文也将小样本语义分割扩展到了一项新任务，称为跨域小样本语义分割（CD-FSS），将具有足够训练标签的域的元知识推广到低资源域，建立了 CD-FSS 任务的新基准。
在开始介绍 CD-FSS 之前，我们先分别搞明白广义上跨域和小样本学习的概念(这个系列后面的文章就不仔细介绍了)。小样本学习可以分为 Zero-shot Learning（即要识别训练集中没有出现过的类别样本）和 One-Shot Learning/Few shot Learning（即在训练集中，每一类都有一张或者几张样本）。几个相关的重要概念：
域：一个域 D 由一个特征空间 X 和特征空间上的边缘概率分布 P(X) 组成，其中 X=x1,x2,…,xn，P(X) 代表 X 的分布。
任务：在给定一个域 D={X, P(X)} 之后，一个任务 T 由一个标签空间 Y 以及一个条件概率分布 P(Y|X) 构成&