Jul, 2019

FSS-1000: 用于少样本分割的 1000 类数据集

PDF
TL;DR本文讨论了有限样本下的目标分割，并提出了可以通过少量的像素级别注释来训练模型的 FSS-1000 数据集以及使用标准骨干网络如 VGG-16，ResNet-101 和 Inception 进行训练该模型，结果表明其训练结果甚至比使用 ImageNet 进行预训练的模型更好。
few-shot object segmentationfss-1000 datasetbackbone networkspixelwise annotationpre-training
发现论文，激发创造
  • 自适应 FSS: 一种通过原型增强的新型少样本分割框架

    基于适配器机制提出了一种新的 Few-Shot Segmentation (FSS) 框架，设计了 Prototype Adaptive Module (PAM) 来提高 FSS 模型的性能和实现新的最先进结果。

    Dec, 2023

  • 超像素自监督训练：无需注释的少样本医学图像分割

    本文提出了一种针对医学图像的新型自监督少样本分割方案，其中使用基于超像素的伪标签提供监督，采用自适应本地原型池化模块解决前景背景不平衡问题，并在三个不同的任务下测试，结果表明该方法优于传统需要手动注释的方法。

    Jul, 2020

  • FewSOL: 机器人环境中的小样本目标学习数据集

    介绍了 Few-Shot Object Learning (FewSOL) 数据集，用于针对每个物体进行少量图像识别，研究结果表明目前机器人环境下还有一定提升空间，适用于研究分类、检测、分割、形状重构、姿态估计、关键点对应和属性识别等少量图像识别问题。

    Jul, 2022

  • 少样本语义分割：方法学综述与挑战

    本篇论文对语义分割中的 Few-Shot Learning 进行了概述，提出了新的分类法，并描述了当前的局限性和展望。

    Apr, 2023

  • 少样本高保真原型的医学图像分割

    提出了一种新颖的 Detail Self-refined Prototype Network（DSPNet）用于构建全面表示目标前景和背景的高保真原型，以解决医学图像中具有复杂背景且对象不明显的情况下，已有模型在 few-shot 语义分割方面的不足。在三个具有挑战性的医学图像基准上的广泛实验证实了 DSPNet 相对于先前的最先进方法的优越性。

    Jun, 2024

  • 挖掘潜在类别用于少样本分割

    本研究提出一种新的联合训练框架来缓解现有方法在处理潜在新类别时出现的特征削弱问题，并使用可转移子簇来增强特征嵌入，实验结果表明，该方法在 PASCAL-5i 和 COCO-20i 数据集上超过之前的最先进方法，并具有更少的参数和更快的推理速度。

    Mar, 2021

  • VizWiz-FewShot: 视觉障碍人士拍摄的图像中物体定位

    介绍了一个来自摄影师的 few-shot localization 数据集，包括近万个分类为 100 个类别的图像分割，在人们拍摄的 4500 张图像中，我们的数据集是第一个定位物体的孔隙、显示对象的尺寸范围很大，并且我们的对象中文字出现的比例是其他数据集的 5 倍以上，但是算法难以定位到具有孔隙、非常小和非常大的对象以及没有文字的对象。

    Jul, 2022

  • 不仅仅是从他人学习，而是依靠自己：对遥感中少样本分割的新视角

    提出了一种名为 DMNet 的双挖掘网络来解决卫星遥感场景中极端类内变化的问题，并通过 Class-public Region Mining 和 Class-specific Region Mining 模块有效地实现语义的挖掘和提取，同时引入 Known-class Meta Suppressor 模块来抑制已知类中的对象激活，实现了在少量样本下对未知类目标的差异化分割。

    Oct, 2023

  • 学习分割每一物

    该研究提出了一种新的部分监督训练范式和权重转移函数，使得可以在仅有少量掩模注释的情况下，使用来自 Visual Genome 数据集的框注释和 COCO 数据集中 80 个类别的掩模注释，训练出可以检测和分割 3000 个视觉概念的 Mask R-CNN 模型，在 COCO 数据集上进行了实验评估。这是实现广泛理解视觉世界的目标实例分割模型的第一步。

    Nov, 2017

  • 学习什么不应该分割：少样本分割的新视角

    本文提出了一种新颖的在 few-shot segmentation 模型中加入 base learner 的方法，通过使用伴随的 base learner 得到被忽略的对象并将其与 meta learner 的预测结果相结合，从而提高模型的泛化性能和分割准确率。实验结果表明，该方法具有良好的性能且在 generalized FSS 情况下也有很好的表现。

    Mar, 2022