ICCVAug, 2019

PANet: 利用原型对齐进行少样本图像语义分割

PDF
TL;DR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。
few-shot segmentationmetric learningimage semantic segmentationprototype alignment networkpanet
发现论文，激发创造
  • 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

  • 用于少样本分割的样板细化网络

    本文提出了一种原型精炼网络（PRNet），通过自适应和融合获取新类别的代表性原型，从而增强了低数据量情况下的原型区分度，实现了少样本分割的挑战，实验结果表明该方法显著优于现有方法。

    Feb, 2020

  • CANet：带有迭代精化和关注少样本学习的类别无关分割网络

    本文提出 CANet，一种无类别限制的语义分割网络，可以在只有少量标注图像的情况下用于新类别的分割，网络采用两个分支的密集比较模块进行多层特征比较，并采用迭代优化模块进行预测结果的迭代优化，并引入注意机制来对 k-shot 学习中的多个支持样本信息进行有效融合，实验结果在 PASCAL VOC 2012 数据集上表明，在 1-shot 和 5-shot 分割中取得 55.4％和 57.1％的平均 IoU 分数，分别比现有最佳方法高出 14.6％和 13.2％。

    Mar, 2019

  • 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

  • 少样本 3D 点云语义分割

    为了解决 3D 点云语义分割中数据有限和模型泛化性能差的问题，本文提出了一种基于注意力机制多突出物体的跨导语义分割方法，并在各种 Few-shot 点云语义分割场景下取得了显著的效果提升。

    Jun, 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

  • 通过关注每个样本原型来实现小样本物体检测

    本论文提出了一个基于元学习的方法用于 few-shot 目标检测，通过使用两种类型的注意机制对查询和支持特征图进行聚合以提高性能并最大化支持数据的多样性。

    Sep, 2021

  • 支持 - 查询原型融合网络用于少样本医学图像分割

    近年来，基于卷积神经网络的深度学习在许多应用中取得了显著的成功。然而，它们对大量标注数据的依赖以及对未知类别的有限泛化能力对于医学图像处理任务来说是一个挑战。少样本学习利用少量标注数据进行泛化到未知类别的能力已经成为一个关键性的研究领域，吸引了大量关注。目前，大多数研究采用基于原型的方法，即利用原型网络从支持集构建原型，引导查询集的处理以获得最终结果。虽然这种方法是有效的，但它过于依赖支持集，忽视了查询集，导致模型类别内部存在明显的差异。为了缓解这个缺点，我们提出了一种新的支持 - 查询原型融合网络（SQPFNet）。SQPFNet 首先为支持图像的前景区域生成多个支持原型，从而产生一个粗糙的分割掩模。随后，基于粗糙分割掩模构建查询原型，额外利用查询集中的模式信息。因此，SQPFNet 构建了高质量的支持 - 查询融合原型，通过它对查询图像进行分割以获得最终的细化查询掩模。对两个公共数据集 SABS 和 CMR 的评估结果显示，SQPFNet 实现了最先进的性能。

    May, 2024

  • 少样本语义分割的原型混合模型

    本文提出了一种原型混合模型 (PMMs)，该模型利用期望最大化算法从有限的支持图像中提取通道和空间语义，从而在激活查询图像中的物体的同时抑制背景区域，这种方法在 MS-COCO 数据集上 5-shot 分割性能提高了 5.82%。

    Aug, 2020

  • Few-Shot 分割中的类原型关系

    本研究提出了一种叫做 “IPRNet” 的方法，采用在原型空间中的原型关系来增强少样本数据在特征空间中的区分性，该方法在 Pascal-5i 和 COCO-20i 数据集上具有优秀的分割性能。

    Nov, 2022