BriefGPT - AI 论文速递
·
增量少样本语义分割的一致性原型学习
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
当前的弱监督增量学习方法通过网络图像学习新类别，而不依赖精心设计的数据集。利用傅里叶变换选择与之前示例相似的图像，并通过基于标题的策略保留已学类别。这是首个仅依赖网络图像的WILSS方法，实验表明无需手动标注即可达到先进水平。
🎯
关键要点
- 当前的弱监督增量学习方法用于语义分割，仅考虑使用图像级别标签替换像素级注释。
- 训练图像通常来自精心设计的数据集。
- 本研究提出使用网络图像学习新类别，认为网络图像是普遍可用的资源。
- 引入基于傅里叶变换的域判别器选择与先前示例相似的网络图像。
- 提出有效的基于标题的排练策略，用于保留已学习的类别。
- 这是首个仅依赖网络图像的WILSS方法。
- 实验结果表明，该方法在增量步骤中无需手动选择和注释的数据即可达到先进水平。
➡️
