CVPRMar, 2020

FGN: 全导引网络用于少样本实例分割

PDF
TL;DR该论文提出了一种针对少样本实例分割的全向导网络，该网络采用支持集编码并指导 Mask R-CNN 的预测，采用不同的引导机制以充分利用支持集中的引导效果，并在公共数据集上取得了最先进的性能。
发现论文，激发创造
  • 用于高效标注核实例分割的少样本学习

    在这篇论文中，我们提出了一种基于元学习的结构引导广义少样本实例分割（SGFSIS）框架，用于有效标注细胞核实例分割。实验证明，SGFSIS 在少于 5％的标注数据情况下，优于其他注释效率学习方法，包括半监督学习和简单迁移学习，并且与完全监督学习相当。

    Feb, 2024

  • 通用少样本语义分割

    本文中，我们介绍了一个名为 “广义 Few-Shot 语义分割（GFS-Seg）” 的新基准数据集，用于分析在同时分割具有非常少的示例的新类别和具有足够示例的基础类别的情况下的内在泛化能力。我们提出了一种名为 “上下文感知原型学习（CAPL）” 的方法来提高模型的性能，该方法通过从支持样本中利用共现先验知识并动态丰富上下文信息到分类器，条件是基于每个查询图像的内容。在 Pascal-VOC 和 COCO 上的实验表明了 CAPL 的有效性，CAPL 在 Few-Shot Segmentation 上具有很好的泛化性能，且性能与现有状态 - of-the-art 方法相比有竞争力。

    Oct, 2020

  • 使用引导网络进行少样本分割传播

    该研究提出了一种名为 guided networks 的机器学习方法，可以在极少的监督下自动完成图像分割任务，可开展多项任务而无需再进行优化，是一种在分割准确性和时间效率方面表现优越的方法。

    May, 2018

  • 少样本学习的混合图神经网络

    本研究提出了一种新颖的混合 GNN（HGNN）模型，该模型由实例 GNN 和原型 GNN 组成，用于快速适应元学习特征嵌入到新任务中，在三个 FSL 基准测试中获得了新的最新成果。

    Dec, 2021

  • 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

  • IFSENet：利用稀疏迭代实现交互式少样本分割的卓越性能

    IFSENet 是一种结合了 few-shot 分割和交互式分割概念的模型，通过接受点击输入的方式在支持图像和查询图像上生成遮罩，极大地减少了训练新类别分割模型所需的注释工作量。

    Mar, 2024

  • 基于原型核学习和开放集前景感知的广义少样本语义分割

    通过联合原型核心学习和开放式前景感知，我们提出了泛化少样本语义分割（GFSS）方法，以准确分割未见过的类别和已见过的类别，在 PASCAL-5i 和 COCO-20i 数据集上表现优于先前的最先进技术。

    Aug, 2023

  • 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

  • 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

  • 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