May, 2018

使用引导网络进行少样本分割传播

PDF
TL;DR该研究提出了一种名为 guided networks 的机器学习方法，可以在极少的监督下自动完成图像分割任务，可开展多项任务而无需再进行优化，是一种在分割准确性和时间效率方面表现优越的方法。
learning-based methodsvisual segmentationfew-shot segmentationguided networksinteractive video segmentation
发现论文，激发创造
  • 语言引导的少样本语义分割

    通过语言信息进行语言指导的少样本语义分割，使用视觉 - 语言预训练模型和遮罩优化来生成高质量伪语义遮罩，引入分布式原型监督方法和互补相关匹配模块来指导模型挖掘支持和查询图像的精确语义关系。在两个基准数据集上的实验表明，我们的方法为语言指导的少样本语义分割建立了新的基准，并达到了与最近的视觉指导方法竞争的结果。

    Nov, 2023

  • 自导和互导学习用于少样本分割

    本篇文章介绍了一种简单但有效的自导学习方法，用于提高查询图像的分割性能，特别是在 few-shot 分割任务中。同时，也提出了一种新的交叉引导模块，用于改善多次采样的分割结果。实验结果表明，该方法在 PASCAL-5i 和 COCO-20i 数据集上可以达到新的最优性能。

    Mar, 2021

  • 自监督调整用于小样本分割

    提出了一个自适应调节框架以改进基于元学习的 few-shot 语义分割问题，其中包括一个新颖的自监督内循环来提取支持图像的潜在语义特征，并支持基于梯度图的元学习以逐步优化分割结果。

    Apr, 2020

  • 一种可微元学习模型用于少样本语义分割

    该研究提出了一种基于元学习的新框架 MetaSegNet，通过全局和局部特征分支，在元学习中提取少样本语义分割的适当元知识，并将线性模型集成到 MetaSegNet 中，以实现一次性精确地多目标分割。实验结果表明，该方法在 K 路少样本语义分割任务中表现出良好的效果。

    Nov, 2019

  • 来自图像标签文本的迭代式少样本语义分割

    本文提出了一种利用视觉 - 语言模型 CLIP 生成粗略掩模并迭代互相调整支持和查询图片的掩模预测的框架，实验结果表明该方法不仅在 PASCAL-5i 和 COCO-20i 数据集上优于最先进的弱监督方法，还能够取得与最近的有监督方法相当甚至更好的结果，并且具有出色的野外图像和非常规类别的泛化能力。

    Mar, 2023

  • 少样本分类中的泛化思考

    通过将输入样本分割成补丁，并借助 Vision Transformers 对其进行编码，从而在图像的局部区域之间建立语义对应关系，而不受其各自类别的影响。利用掩蔽图像建模等方法进行无监督训练，以克服标签不够精细以及避免负面的图像级注释影响，实现了对数据的更一般的统计结构的学习，并在四个流行的 Few-shot 分类基准测试中，对于 5-shot 和 1-shot 情形均取得了新的最优结果。

    Jun, 2022

  • GuidedMix-Net：使用标记图像作为参考的半监督语义分割

    利用标记信息指导非标记示例的学习，通过三个操作进行语义分割的半监督学习，包括相似标记 - 非标记图像对的插值，互信息的转移以及伪面具的泛化。在 PASCAL VOC 2012 和城市景观上的大规模实验中，与先前的方法相比，GuidedMix-Net 取得了竞争性分割准确性，并显着提高了平均交集联合（mIoU）比先前的方法高 7％。

    Dec, 2021

  • 每个注释都很重要：医学图像分割的多标签深度监督

    本文提出了一种半弱监督分割算法，基于新的深度监督学习方法和学生 - 教师模型，结合各种监督信号以实现易于集成，有效地减少了昂贵标注的要求。经过实验验证，该算法在视网膜液体分割上取得了成功。

    Apr, 2021

  • 基于随机游走标签传播的弱监督语义分割学习

    本文提出一种训练方法，通过基于随机游走的标签传播和卷积神经网络的相互学习，有效地学习到语义边缘，从而实现对于语义分割任务的有效训练。

    Feb, 2018

  • 几个像素就够了：使用 PixelPick 进行语义分割

    通过仅在稀疏像素位置提供标签，深度神经网络可以实现良好的语义分割性能，结合主动学习机制和高效注释策略可以大大减少标注成本，并在 CamVid，Cityscapes 和 PASCAL VOC 2012 数据集上进行了实验证明了相当可比的性能。

    Apr, 2021