Oct, 2019

一种新的本地转换模块 用于小样本分割

PDF
TL;DR本文提出了一种基于局部特征关系的转换模块，通过广义逆矩阵将关系矩阵线性转换，可以用于替代现有的 Few-shot 分割框架中的转换模块，并在 Pascal VOC 2012 数据集上进行了验证。
few-shot segmentationlocal cuestransformation modulegeneralization performancecosine distance
发现论文，激发创造
  • 利用 Transformer 提升 Few-shot 语义分割

    本文提出了一种基于 TRansformer 网络的 Few-shot 语义分割方法（TRFS），它采用全局增强模块（GEM）和局部增强模块（LEM）相结合的方法，可以在 PASCAL-5i 和 COCO 数据集上取得新的最优表现。

    Aug, 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

  • 使用视觉和语义嵌入的共同关注实现弱监督的少样本目标分割

    本文提出了一种基于多模态交互模块的小样本物体分割方法，该方法利用视觉和词嵌入的协同注意机制，使用图像级标签在 PASCAL-5i 数据集上实现了 4.8％ 的提高，并在 YouTube-VOS 数据集上展示了 TOSFL 实验的实例级和类别级结果。

    Jan, 2020

  • 基于最优传输匹配和消息流的少样本分割

    本文提出了一种支持信息相互利用、弥补之前模型的不足之处的少样本分割算法。通过建立图像间的对应关系和信息传播机制，实现对支持图像的多方面信息的全面利用，达到了最新的相对优良的分割效果。

    Aug, 2021

  • 多尺度视觉转换器在弱监督目标定位中的深度聚类引导精炼

    该研究论文提出了一种利用弱监督目标定位来学习物体定位的方法，通过多尺度物体定位变换器（MOLT）和深度聚类引导精化方法提高了定位准确度，并在公开的 ILSVRC-2012 数据集上进行了实验证明了该方法的有效性。

    Dec, 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

  • 基于语义约束匹配的弱监督目标定位 Transformer

    本研究提出了一种基于转换器的新型语义约束匹配网络（SCMN），通过匹配从成对图像中提取的粗糙类激活图（CAMs），从而隐式引导和校准转换器网络以缓解发散激活问题，在 CUB-200-2011 和 ILSVRC 数据集上进行的大量实验结果显示，我们的方法可以达到最新的最优性能，并且在性能上超过之前方法很大幅度。

    Sep, 2023

  • 少样本分割的双重变形协方差矩阵聚合

    该论文提出了使用可学习协方差矩阵和可变形 4D Transformer 来解决在有限标注数据下准确测量支持和查询样本之间语义对应关系的问题，在公开基准测试中实现了新的最佳效果及较快的收敛速度。

    Jul, 2022

  • 利用 Swin Transformer 进行局部到全局弱监督语义分割

    近年来，计算机视觉领域中的弱监督语义分割使用基于图像级标签的监督引起了广泛关注。本研究探索了使用 Swin Transformer 的 'SWTformer' 来提高初始种子 CAMs 的准确性，通过结合局部和全局视角。

    Jan, 2024

  • 通过实例感知的数据增强和局部共识引导的跨注意力机制提升小样本分割

    本文通过精细调整预训练的深度分割网络的分类层，提出了一种适应少样本分割任务的改进方法，该方法引入了基于实例感知的数据增强策略和局部一致性引导的交叉注意力机制，通过增加支持集的多样性和改善查询与支持图像之间的一致性，显著提高了标准少样本分割基准数据集 PASCAL-$5^i$ 和 COCO-$20^i$ 上的性能。

    Jan, 2024