论文标题：Incremental Few-Shot Instance Segmentation

论文链接：https://arxiv.org/abs/2105.05312

代码链接：https://github.com/danganea/iMTFA

作者单位：乌得勒支大学 & Cyclomedia Technology

本文提出了第一个用于Few-shot实例分割的增量方法：iMTFA，表现SOTA！代码现已开源！

当缺乏标记的新类别训练数据时，Few-shot实例分割的方法是有前途的。但是，当前的方法不利于灵活地添加新颖的类。他们还要求在训练和测试时提供每个类的示例，这会占用大量内存。在本文中，我们通过提出针对few-shot 实例分割的第一种增量方法：iMTFA，解决了这些限制。我们为合并到类代表中的对象实例学习判别嵌入。存储嵌入矢量而不是图像可以有效解决内存开销问题。我们使用余弦相似度在RoI级别上匹配这些类嵌入。这使我们可以添加新的类别，而无需进一步的训练或访问以前的训练数据。在一系列实验中，我们始终优于当前的最新技术。而且，减少的内存需求使我们能够首次评估COCO中所有类的few-shot实例分割性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除