IJCAIApr, 2020

SimPropNet: 改进的少样本图像分割相似性传播

PDF
TL;DR本文提出了一种叫做 SimPropNet 的框架，利用前景背景关注融合机制，同时预测支持和查询掩模，以共享特征信息来填补现有方法在利用相似性信息方面的不足，其在 PASCAL-5i 数据集上实现了最先进的一次和五次分割结果。
few-shot segmentationneural networkssimpropnetforeground-background attentive fusion mechanismpascal-5i dataset
发现论文，激发创造
  • 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

  • 少样本高保真原型的医学图像分割

    提出了一种新颖的 Detail Self-refined Prototype Network（DSPNet）用于构建全面表示目标前景和背景的高保真原型，以解决医学图像中具有复杂背景且对象不明显的情况下，已有模型在 few-shot 语义分割方面的不足。在三个具有挑战性的医学图像基准上的广泛实验证实了 DSPNet 相对于先前的最先进方法的优越性。

    Jun, 2024

  • 不仅仅是从他人学习，而是依靠自己：对遥感中少样本分割的新视角

    提出了一种名为 DMNet 的双挖掘网络来解决卫星遥感场景中极端类内变化的问题，并通过 Class-public Region Mining 和 Class-specific Region Mining 模块有效地实现语义的挖掘和提取，同时引入 Known-class Meta Suppressor 模块来抑制已知类中的对象激活，实现了在少量样本下对未知类目标的差异化分割。

    Oct, 2023

  • 自支撑少样本语义分割

    利用自支持匹配策略提高 few-shot 语义分割精度，通过适应性自支持背景原型生成模块和自支持损失进一步促进自支持匹配过程，该策略有效地捕获查询对象的一致潜在特征，从而更适当地匹配查询特征，其实现了多个数据集上的 SOTA，源码可在 https://github.com/fanq15/SSP 找到。

    Jul, 2022

  • 自监督少样本语义分割：一种无需标注的方法

    借鉴谱分解方法，将图像分解问题视为图划分任务，并通过特征亲和力矩阵的拉普拉斯矩阵的特征向量分析来估计感兴趣对象的分布；提出一种新颖的自监督式 FSS 框架，不依赖于任何标注，并通过利用从支持图像获得的特征向量自适应地估计查询掩码，从而消除了手动注释的需求，特别适用于具有有限标注数据的医学图像；引入了多尺度大卷积核注意力模块，进一步提高了对支持图像提供的信息进行查询图像解码的能力，通过选择性地强调相关特征和细节，改善了分割过程并有助于更好的物体勾边；在自然和医学图像数据集上的评估结果展示了我们方法的高效性和有效性。

    Jul, 2023

  • 通过查询引导增强提升少样本 3D 点云分割

    通过适应支持原型和查询特征之间的语义差距，我们的方法在点云的少样本分割模型中取得显著改进，并维持高效性能。

    Aug, 2023

  • 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

  • 超像素自监督训练：无需注释的少样本医学图像分割

    本文提出了一种针对医学图像的新型自监督少样本分割方案，其中使用基于超像素的伪标签提供监督，采用自适应本地原型池化模块解决前景背景不平衡问题，并在三个不同的任务下测试，结果表明该方法优于传统需要手动注释的方法。

    Jul, 2020

  • 挖掘潜在类别用于少样本分割

    本研究提出一种新的联合训练框架来缓解现有方法在处理潜在新类别时出现的特征削弱问题，并使用可转移子簇来增强特征嵌入，实验结果表明，该方法在 PASCAL-5i 和 COCO-20i 数据集上超过之前的最先进方法，并具有更少的参数和更快的推理速度。

    Mar, 2021

  • 少样本语义分割的反射不变性学习

    本文提出了一个新的少样本分割框架，通过多视角匹配的方式挖掘反射不变性。通过学习融合具有相同语义的原始和反射支持特征，得到具有更强分类表示能力的反射不变性原型。同时，还提出了反射不变性先验掩码生成模块以集成不同视角的先验知识，并通过反射不变性语义预测模块将来自不同视角的分割预测进行综合，从而得出准确的分割预测结果。在 PASCAL-5i 和 COCO-20i 数据集上的广泛实验证明了我们方法的有效性和卓越性能。

    Jun, 2023