面向 Few-shot 语义分割的 Part-aware 原型网络

ECCVJul, 2020

面向 Few-shot 语义分割的 Part-aware 原型网络

Part-aware Prototype Network for Few-shot Semantic Segmentation

Yongfei Liu, Xiangyi Zhang, Songyang Zhang, Xuming He

TL;DR本文提出了一种新的 few-shot 分割框架，基于原型表示，并将整体类表示分解为一组部分感知原型，能够捕捉多样化和细粒度的物体特征。通过利用无标签数据丰富我们的部分感知原型，提高语义对象的内部变化建模。通过在两个基准测试上进行广泛的实验评估，表明我们的方法优于以前的方法。

Abstract

few-shot semantic segmentation aims to learn to segment new object classes with only a few annotated examples, which has a wide range of real-world applications. Most existing methods either focus on the restrictive setting of one-way few-shot segmentation or suffer from incomplete cov

few-shot semantic segmentation prototype representation part-aware prototypes graph neural network model unlabeled data

发现论文，激发创造

少样本 3D 点云语义分割

为了解决 3D 点云语义分割中数据有限和模型泛化性能差的问题，本文提出了一种基于注意力机制多突出物体的跨导语义分割方法，并在各种 Few-shot 点云语义分割场景下取得了显著的效果提升。

Jun, 2020

PANet: 利用原型对齐进行少样本图像语义分割

本研究提出了一种基于度量学习的原型对齐网络（PANet）来解决仅使用少量样本进行图像分割的问题，它通过学习每个语义类别的原型表示，并通过匹配每个像素到所学习的原型来执行查询图像的分割，最终在 PASCAL-5i 上超越了现有技术达到了 48.1% 和 55.7% 的 mIoU 得分（1-shot 和 5-shot 设置），是一种有效的 few-shot segmentation 方法。

Aug, 2019

一种可微元学习模型用于少样本语义分割

该研究提出了一种基于元学习的新框架 MetaSegNet，通过全局和局部特征分支，在元学习中提取少样本语义分割的适当元知识，并将线性模型集成到 MetaSegNet 中，以实现一次性精确地多目标分割。实验结果表明，该方法在 K 路少样本语义分割任务中表现出良好的效果。

Nov, 2019

简单语义辅助的少样本学习

利用少量数据进行学习是一项具有挑战性的计算机视觉任务，本文通过引入高质量的语义以及使用简单的网络结构，设计了一个名为 “语义进化” 的自动化方式来解决少样本学习中的问题，实验证明该方法在少样本分类任务中表现优异。

Nov, 2023

用于少样本分割的样板细化网络

本文提出了一种原型精炼网络（PRNet），通过自适应和融合获取新类别的代表性原型，从而增强了低数据量情况下的原型区分度，实现了少样本分割的挑战，实验结果表明该方法显著优于现有方法。

Feb, 2020

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

使用原型网络的半监督和主动少样本学习

本文提出了一种基于聚类的半监督少样本分类方法，使用 Prototypical Networks 提取特征并结合 K-means 聚类算法，利用少量标记样本指导聚类过程，而用户反馈可以显著改善适应性能。通过图像数据的实验，证明了该策略的良好性能。

Nov, 2017

少样本语义分割的原型混合模型

本文提出了一种原型混合模型 (PMMs)，该模型利用期望最大化算法从有限的支持图像中提取通道和空间语义，从而在激活查询图像中的物体的同时抑制背景区域，这种方法在 MS-COCO 数据集上 5-shot 分割性能提高了 5.82%。

Aug, 2020

利用潜在原型的对比增强学习进行少样本分割

本文提出了一种利用潜在原型的对比增强方法来提高 few-shot 分割模型性能的方法，通过采样模块生成伪掩模和新的原型，从而提高原型和查询特征之间的相似性信息的利用率，并通过对比增强模块来提高预测性能。实验证明，该方法在 Pascal-5^i 和 COCO-20^i 的 1-shot 和 5-shot 分割任务中的性能明显优于现有方法，尤其在 5-shot 任务中，性能分别比基准提高了 5.9% 和 7.3%。

Mar, 2022

Few-Shot 分割中的类原型关系

本研究提出了一种叫做 “IPRNet” 的方法，采用在原型空间中的原型关系来增强少样本数据在特征空间中的区分性，该方法在 Pascal-5i 和 COCO-20i 数据集上具有优秀的分割性能。

Nov, 2022