CVPROct, 2020

通用少样本语义分割

PDF
TL;DR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。
few-shot segmentationgeneralized few-shot semantic segmentationcontext-aware prototype learningsemantic segmentationbenchmark
发现论文，激发创造
  • 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

  • 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

  • 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

  • 视觉 - 语义对比对齐在小样本图像分类中的应用

    本文介绍了一种对称的对齐机制，用于学习从极少的例子中获取更广义的视觉概念的方法。实验结果表明，该方法是通用的，并提供了一个强大的基准。

    Oct, 2022

  • 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

  • 学习什么不应该分割：少样本分割的新视角

    本文提出了一种新颖的在 few-shot segmentation 模型中加入 base learner 的方法，通过使用伴随的 base learner 得到被忽略的对象并将其与 meta learner 的预测结果相结合，从而提高模型的泛化性能和分割准确率。实验结果表明，该方法具有良好的性能且在 generalized FSS 情况下也有很好的表现。

    Mar, 2022

  • 基于大语言模型的小样本分类与分割代理

    利用大型语言模型作为任务规划者，视觉模型作为工具，通过观察支持图像和使用语境学习指导大型语言模型，利用其总结和推理能力对查询图像进行分类和分割，从而在无需训练的情况下解决了少样本图像分类和分割问题，并在 Pascal-5i 数据集上取得了最先进的性能。

    Nov, 2023

  • LLaFS: 当大型语言模型遇上小样本分割

    LLaFS 是第一个尝试在少样本分割中利用大型语言模型（LLMs）的研究，通过设计输入指令和模拟人类视觉机制提供多模态引导，实现文本感知 LLM 处理图像相关任务，同时通过伪样本合成和课程学习进行数据增强和优化，在多个数据集上取得最先进的结果，展示了利用 LLMs 进行少样本计算机视觉任务的潜力。

    Nov, 2023

  • 关系推广少样本学习

    本文提出一种基于图卷积的全局原型网络（GcGPN）的图形框架，该框架显式地模拟了联合标签空间中所有已看到和新类别之间的关系，以在全局一致的方式下将新类别嵌入到以前看到的所有类别的现有空间中，为广义小样本学习（GFSL）中的快速适应和全局区分提供了解决方案。

    Jul, 2019

  • CFA：基于约束的微调方法用于泛化小样本目标检测

    通过约束微调方法（CFA）和基于平均梯度情景记忆（A-GEM）的连续学习方法，我们提出了一种深度学习算法，名为 G-FSOD，用于在有限数据情况下检测新类别的对象，避免了严重的遗忘问题，实现针对测试任务的更佳知识交换。

    Apr, 2022