BriNet: 在一次分割中架起类内和类间差距的桥梁

Aug, 2020

BriNet: 在一次分割中架起类内和类间差距的桥梁

BriNet: Towards Bridging the Intra-class and Inter-class Gaps in One-Shot Segmentation

Xianghui Yang, Bairun Wang, Kaige Chen, Xinchi Zhou, Shuai Yi...

TL;DR提出了一种名为 BriNet 的分割框架，该框架应用信息交换模块和多路径细粒度策略来提高查询和支持图像之间的信息交互，进而实现精确定位查询对象；并且还提出了一种新的在线细化策略，帮助训练好的模型适应未见过的类别，并在 PASCAL VOC 和 MSCOCO 数据集上创造出新的最优效果。

Abstract

few-shot segmentation focuses on the generalization of models to segment unseen object instances with limited training samples. Although tremendous improvements have been achieved, existing methods are still constrained by two factors. (1) The information interaction between query and

few-shot segmentation information exchange module multi-path fine-grained strategy online refinement strategy state-of-the-art

发现论文，激发创造

CRNet：用于少样本分割的交叉参考网络

本文提出一种基于交叉参考网络的多类别小样本图像分割方法，通过先前的样本图像和待处理图像之间的交叉引用，同时预测前景目标，经过不断迭代的前景区域优化，实现对带标签支持图像的 $k$ 次训练和少量样本的生成级联分割效果进行提升，最终在 PASCAL VOC 2012 数据集上取得了最佳效果。

Mar, 2020

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

MIANet：聚合无偏实例和通用信息进行少样本语义分割

提出了一种多信息集成网络（MIANet），它有效地利用了一般知识和实例信息进行准确的分段，通过多种信息聚合，MIANet 高效地利用了语义词嵌入和实例信息，最终提高了 PASCAL-5i 和 COCO-20i 数据集的性能并取得了新的最佳效果。

May, 2023

双向特征重构网络用于细粒度少样本图像分类

本文针对细粒度少样本图像分类问题提出了一个双重重构机制，使用支持集重构查询集以增加类间变异性，使用查询集重构支持集以降低类内变异性，并构建自重构模块，实验结果表明相比其他方法，提出的模型在三个广泛使用的细粒度图像分类数据集上都取得了显著的改进。

Nov, 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

CANet：带有迭代精化和关注少样本学习的类别无关分割网络

本文提出 CANet，一种无类别限制的语义分割网络，可以在只有少量标注图像的情况下用于新类别的分割，网络采用两个分支的密集比较模块进行多层特征比较，并采用迭代优化模块进行预测结果的迭代优化，并引入注意机制来对 k-shot 学习中的多个支持样本信息进行有效融合，实验结果在 PASCAL VOC 2012 数据集上表明，在 1-shot 和 5-shot 分割中取得 55.4％和 57.1％的平均 IoU 分数，分别比现有最佳方法高出 14.6％和 13.2％。

Mar, 2019

双向图推理网络用于全景分割

通过在传统的全景分割网络中引入图形结构来挖掘前景物体和背景物体类别内的模块内部和模块间关系，进而建立单一的 end-to-end 网络，以实现对图像的整体理解。该模型 (BGRNet) 在 COCO 和 ADE20K 全景分割基准中实现了新的最先进性能。

Apr, 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

利用像素间关系进行实例分割的弱监督学习

本文提出了一种新颖的方法，使用图像级别的类标签作为监督来学习实例分割。我们的方法生成训练图像的伪实例分割标签，并用于训练完全监督模型。通过 IRNet，我们首先从图像分类模型的 attention maps 中识别出与对象类别相关的种子区域，然后传播到整个实例区域，估计出准确的边界，并为种子分配实例标签，使得整个实例区域可以准确地估计。IRNet 是基于 attention maps 的像素间关系训练的，因此不需要额外的监督。在 PASCAL VOC 2012 数据集上，我们的方法与 IRNet 取得了出色的表现，不仅超过了之前使用相同级别监督训练的最先进模型，还超过了一些依赖于更强监督的先前模型。

Apr, 2019

CHIP：对比度层次图像预训练

在有限的样本标注下，通过图像对目标对象进行少样本分类是一个任务。我们提出了一个一次性 / 少次分类模型，可以将任何未知类别的对象分类到一个相对通用的类别中，采用了基于层次对比损失的 ResNet152 分类器，基于图像嵌入所提取的特征对对象进行分类，而这些特征在训练阶段未被使用。我们在 ImageNet（ILSVRC-12）数据集的子集上进行了实验，该子集只包含用于训练我们的模型的动物类别，并创建了一组我们自己的未知类别数据集，用于评估我们训练得到的模型。我们的模型在将未知对象分类为通用类别方面得到了令人满意的结果，并对此进行了更详细的讨论。

Oct, 2023