挖掘潜在类别用于少样本分割
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
在增量少样本语义分割(iFSS)问题中,我们提出了一种名为 OINet 的网络,即背景嵌入空间组织和原型继承网络,通过在训练基础类别时使用多个分类头和多个子类原型来保留新类别的嵌入空间,并提出了一种策略来选择最匹配当前学习新类别的子类原型,使新类别能够在少样本下注册在嵌入空间中,而不影响基础类别的分布,Pascal-VOC 和 COCO 上的结果表明,OINet 取得了最新的技术成果。
May, 2024
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
支持信息和查询中心 FSS 模型的对抗挖掘变压器 (AMFormer) 提供了准确的查询图像分割,即使只有粗略的支持指导或弱支持标签,通过优化产生更接近于地面真实的精确掩码来愚弄详细挖掘变压器
Nov, 2023
本研究提出了一种新的针对少样本分割的预训练方案,通过将新颖类别与背景解耦来解决合并背景问题,称为背景聚类预训练(BCPT),实验证明 BCPT 在 PASCAL-5i 和 COCO-20i 数据集上获得了先进的性能表现。
Dec, 2023
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
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
本文提出了基于 Hierarchically Decoupled Matching Network (HDMNet) 的 Few-shot 语义分割方法,使用 transformer 架构、自注意力模块和匹配模块来实现级联匹配和关键像素级别的支持关联,且通过语义对应度实现了从粗糙分辨率到细粒度分割的相关性蒸馏,实验结果表明在 COCO 数据集中的 few-shot 语义分割任务上取得了较好的性能。
Jun, 2023
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
跨领域少样本分割 (CD-FSS) 需要仅使用有限样本从不同领域中对新颖类别进行分割,论文发现通过 fine-tuning 阶段有效地在领域之间转移学习得到的元知识的必要性以及由于新颖类别样本稀缺导致朴素的 fine-tuning 存在过拟合风险,并提出了一种解决这一挑战的新型跨领域 fine-tuning 策略,通过设计双向少样本预测 (BFP) 和迭代少样本适配器 (IFA) 来降低过拟合风险并最大化利用稀疏的新颖类别样本的监督信号,实验证明该方法显著优于当前技术水平 (+7.8%),验证了 IFA 能同时应对跨领域挑战和减轻过拟合问题。代码将提供。
Jan, 2024