关于您给的pascal-5i base annotation数据集的问题

[cs-xiyan]

pascal-5i是从20个类别挑选五个作为查询集，剩下15个作为支持集，不同I代表不同采样方法，可是您给的base annotation，i无论是0还是3，无论是train还是val都只是1-15类。这是为什么呢？

[cs-xiyan]

我好像理解怎么回事了，BAM 中的base_annotation实际上只是产生了支持集，被用于pspnet的训练，也就是支持分支，他是两段式训练。虽然都是1-15但是实际上包含了不同类别。不知道这样解释是否正确。

[qjmltz]

您好，我刚开始研究FSS，请问您知道为什么在BAM之前的模型，像是PFEnet和HSNenet、SSP都没有用到base_annotation，而为什么BAM用到base_annotation？HSNenet和SSP虽然有下载VOC2012的annotation，但似乎不加也没有关系。 非常期待您的回复，十分感谢！

[cs-xiyan]

我是这么理解的假设一共20类，base_annotation是将数据集进行了处理，选择15个类重新映射为1-15，比如前5类是novel class，后15类是base class，那么把6-20映射成1-15。然后新建一个数据集。其他模型并没有重新映射这步。因为需要用基学习器也就是传统语义分割模型先把15类分好。所以需要重新映射，方便后续损失计算。 BAM/util /get_mulway_base_data.py 69-74 line

for cls in range(1,num_classes+1):
        select_pix = np.where(label_tmp == cls)
        if cls in sub_list:
            label[select_pix[0],select_pix[1]] = sub_list.index(cls) + 1
        else:
            label[select_pix[0],select_pix[1]] = 0

BAM是两段训练，先训练好基学习器，分出15类，然后加载基学习器权重，再训练元学习器。 PFENET不需要这样，他是直接像传统语义分割一样读取image,和mask，在自定义dataset类部分直接分成支持集和查询集，直接训练。

[qjmltz]

我是这么理解的假设一共20类，base_annotation是将数据集进行了处理，选择15个类重新映射为1-15，比如前5类是novel class，后15类是base class，那么把6-20映射成1-15。然后新建一个数据集。其他模型并没有重新映射这步。因为需要用基学习器也就是传统语义分割模型先把15类分好。所以需要重新映射，方便后续损失计算。 BAM/util /get_mulway_base_data.py 69-74 线

for cls in range(1,num_classes+1):
        select_pix = np.where(label_tmp == cls)
        if cls in sub_list:
            label[select_pix[0],select_pix[1]] = sub_list.index(cls) + 1
        else:
            label[select_pix[0],select_pix[1]] = 0

BAM是两段训练，先训练好基学习器，分出15类，然后加载基学习器权重，再训练元学习器。 PFENET不需要这样，他是直接像传统语义分割一样读取image，和mask，在自定义数据集类部分直接分成支持集和查询集，直接训练。

非常感谢您的回复，让我对BAM的论文理解更加深了一层，对于初学者的我来说帮助很大，感谢~