特征加权和增强在少样本分割中的应用

ICCVSep, 2019

特征加权和增强在少样本分割中的应用

Feature Weighting and Boosting for Few-Shot Segmentation

Khoi Nguyen, Sinisa Todorovic

TL;DR使用卷积神经网络（CNN）对支持图像进行特征提取，生成类别特征向量，然后通过余弦相似度将目标物体在查询图像中分割出来，在 PASCAL-$5^i$ and COCO-$20^i$ 数据集上验证了其优越性。

Abstract

This paper is about few-shot segmentation of foreground objects in images. We train a cnn on small subsets of training images, each mimicking the few-shot setting. In each subset, one image serves as the query an

few-shot segmentation cnn support image feature vector ensemble of experts

发现论文，激发创造

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

基于密集高斯过程的少样本分割

本篇文章提出了一种基于密集高斯过程回归的 few-shot 图像分割方法，通过有效地捕获支持集中的细节信息并且稳健到外观和上下文的变化，实现了 PASCAL-5i 和 COCO-20i 基准的新的最先进水平。

Oct, 2021

循环一致变换器的小样本分割

该研究提出了一种新的循环一致 Transformer（CyCTR）模块，通过交叉注意支持和查询图像的特征，聚合像素级支持特征到查询特征中，并使用循环一致的注意机制过滤可能有害的支持特征，最终在所有 few-shot 分割基准测试中实现了显着的改进。

Jun, 2021

动态原型卷积网络用于小样本语义分割

针对 few-shot 语义分割的挑战，该论文提出了一种基于动态原型卷积网络 (DPCN) 的解决方案，其中动态卷积模块 (DCM) 从支持前景生成动态内核，而支持激活模块 (SAM) 和特征过滤模块 (FFM) 则一起为查询图像提供丰富的背景信息，实现了更准确的 few-shot 语义分割。DPCN 在 1-shot 和 5-shot 设置下均表现出优越性能。

Apr, 2022

相似性感知特征增强的小样本目标计数

本文提出了一种针对少样本目标计数的新型学习模块，其中包括相似性比较模块和特征增强模块，通过得分图，利用支持图像和查询图像来增强查询特征，大大提高了目标计数的精度和效率，成果优于现有最先进技术

Jan, 2022

关于纹理偏差对于少样本 CNN 分割的影响

研究表明 CNN 模型中纹理处理算法在大规模标记数据集上学习时表现得更好。为消除纹理影响，提出了一种新的结构，利用高斯分布进行卷积，在三个语义分割基准测试中比现有方法表现更好。

Mar, 2020

集成少样本学习用于分类和分割

本文介绍了少量样本分类和分割的集成任务 (FS-CS)，将两个常规的少量样本学习问题广义化到具有任意图像对的更现实的情境。提出了用于 FS-CS 的集成少量样本学习 (iFSL) 框架，该框架训练学习者构建类别化的前景图，用于多标签分类和像素级分割。同时开发了一个有效的 iFSL 模型，称为 ASNet，该模型利用深层语义相关性和全局自我注意力来生成可靠的前景图。结果表明，所提出的方法在 FS-CS 任务上表现良好，并在标准的少量样本分割基准上取得了最优结果。

Mar, 2022

CAD: 为了改善少样本分类而共同适应辨别特征

本研究提出一种基于自注意力机制的特征重加权策略，实现在给定极少标注样本情况下进行元学习，大幅优于同类现有方法 3%~5%。

Mar, 2022

Group-On: 提升一次性分割与支持性查询

提出了一种名为 Group-On 的新方法，用于单次语义分割，将多个查询图像分为批次以达到同一类别内的相互知识支持的目的，并在标准基准测试中表现显著优于现有方法。

Apr, 2024

语义分割的单次学习

研究在稀缺数据的支持下，将少样本学习方法拓展到密集语义图像分割中，通过训练网络，产生 Fully Convolutional Network 参数来执行稀缺数据学习。与 PASCAL VOC 2012 数据集中最佳基线方法相比，我们的架构在新语义类的单次分段中展示了相对 25% 的 meanIoU 改进，并且速度至少快 3 倍。

Sep, 2017