FGN: 全导引网络用于少样本实例分割
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
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
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
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
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 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
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
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
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
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