适应性掩模代理用于少样本分割

ICCVFeb, 2019

Adaptive Masked Proxies for Few-Shot Segmentation

Mennatullah Siam, Boris Oreshkin, Martin Jagersand

TL;DR为了在机器人应用场景下提高样本效率，本文提出了一种新颖的自适应蒙版代理（adaptive masked proxies）方法，它利用多分辨率平均池化技术对带标签的基础嵌入进行掩蔽，从而作为新类别的正代理，并与之前学习到的类别签名进行融合，该方法在 PASCAL-$5^i$ 数据集上表现出了明显优势，同时还能够与二进制运动和基于外观的分割网络一同使用，作者还提出了一种评估目标分割连续学习的新方法 incremental PASCAL (iPASCAL)，该方法也比基线方法表现更出色。

Abstract

deep learning has thrived by training on large-scale datasets. However, in robotics applications sample efficiency is critical. We propose a novel →

deep learning robotics few-shot semantic segmentation adaptive masked proxies continual learning

发现论文，激发创造

原型之外：分治代理器实现少样本分割

该论文提出了一种名为 divide-and-conquer proxies（DCP）的简单而通用的框架，其中包含了自我推理方案，有效的遮蔽平均池化操作和并行解码器结构，旨在对给定手掌标注样本的未见类对象进行分割，且能够优于现有的原型学习方法（平均提升 5~10%），并取得了新的最先进成果。

Apr, 2022

基于图像级监督学习的实例分割：口罩在哪里？

本文提出了一种使用图像级别标签进行实例分割的新框架，其中分为两个阶段，分别是训练分类器生成伪掩模并在这些伪掩模上训练完全监督的 Mask R-CNN。在 PASCAL VOC 2012 数据集上进行实验，相对于现有方法说明主要性能提高。

Jul, 2019

使用代理标签的策略课程进行自适应语义分割

本文提出一种新的深度学习网络架构，通过混合有标号源领域和代理标号目标领域的数据，利用网络的自我预测生成代理标签，实现了高效的无监督域自适应，其在合成到真实领域自适应和地理领域适应方面均表现出了优势。

Nov, 2018

PANet: 利用原型对齐进行少样本图像语义分割

本研究提出了一种基于度量学习的原型对齐网络（PANet）来解决仅使用少量样本进行图像分割的问题，它通过学习每个语义类别的原型表示，并通过匹配每个像素到所学习的原型来执行查询图像的分割，最终在 PASCAL-5i 上超越了现有技术达到了 48.1% 和 55.7% 的 mIoU 得分（1-shot 和 5-shot 设置），是一种有效的 few-shot segmentation 方法。

Aug, 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

图像标签语义分割的增量学习

该论文提出了一种新的语义分割框架，采用弱增量学习，使用辅助分类器和软标签更新模型，从图像级别标签中学习新类别的分割，可有效减少由像素逐像素标注带来的时间和经济成本。

Dec, 2021

面向 Few-shot 语义分割的 Part-aware 原型网络

本文提出了一种新的 few-shot 分割框架，基于原型表示，并将整体类表示分解为一组部分感知原型，能够捕捉多样化和细粒度的物体特征。通过利用无标签数据丰富我们的部分感知原型，提高语义对象的内部变化建模。通过在两个基准测试上进行广泛的实验评估，表明我们的方法优于以前的方法。

Jul, 2020

利用潜在原型的对比增强学习进行少样本分割

本文提出了一种利用潜在原型的对比增强方法来提高 few-shot 分割模型性能的方法，通过采样模块生成伪掩模和新的原型，从而提高原型和查询特征之间的相似性信息的利用率，并通过对比增强模块来提高预测性能。实验证明，该方法在 Pascal-5^i 和 COCO-20^i 的 1-shot 和 5-shot 分割任务中的性能明显优于现有方法，尤其在 5-shot 任务中，性能分别比基准提高了 5.9% 和 7.3%。

Mar, 2022

适用于少样本医学图像分割的循环掩模细化

本文提出了一个新的基于原型网络的少样本医学图像分割框架，它以两个关键模块：上下文关系编码器和反复使用原型网络的逐步掩模细化模块作为创新，通过对两个腹部 CT 数据集和一个腹部 MRI 数据集的实验表明，该方法相对于现有最先进的方法平均提高了 16.32％、8.45％和 6.24％，有效地解决了深度卷积神经网络在医学图像分割方面的困难。

Aug, 2021

早期区域代理的语义分割

本文提出了一种名为 RegProxy 的模型，通过 Transformer 实现了以区域为中心的上下文编码和预测，相比现有的方法在性能和效率上取得了更好的平衡。

Mar, 2022