CVPRApr, 2021

少样本分割的自适应原型学习和分配

PDF
TL;DR本文提出两种新的模块（SGC 和 GPA）和一种轻量级模型（ASGNet），用于多原型提取和分配，并且通过在 COCO 上的实验结果表明 ASGNet 在 5-shot segmentation 中可以超越现有技术方法的 5%。
prototype learningfew-shot segmentationsuperpixel-guided clusteringguided prototype allocationadaptive superpixel-guided network
发现论文，激发创造
  • 基于样本原型适应和投影的少 / 零样本三维点云语义分割

    本文提出了 Query-Guided Prototype Adaption (QGPA) 模块并通过引入 Self-Reconstruction （SR）来增强原型的表示以适应点云的大内部类特征差异和极少量数据，最终在 S3DIS 和 ScanNet 基准测试中超越最先进的算法，其中还考虑到零样本的情况

    May, 2023

  • 自导和互导学习用于少样本分割

    本篇文章介绍了一种简单但有效的自导学习方法，用于提高查询图像的分割性能，特别是在 few-shot 分割任务中。同时，也提出了一种新的交叉引导模块，用于改善多次采样的分割结果。实验结果表明，该方法在 PASCAL-5i 和 COCO-20i 数据集上可以达到新的最优性能。

    Mar, 2021

  • 面向 Few-shot 语义分割的 Part-aware 原型网络

    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。

    Jul, 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

  • 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

  • 通用少样本语义分割

    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。

    Oct, 2020

  • 可解释分割的可微高斯原型层

    该论文提出了一种基于高斯原型层的梯度原型学习方法，并演示了两种基于区域建议和高斯混合模型的可解释分割网络，并在农业数据集上进行了评估。

    Jun, 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 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

  • 使用引导网络进行少样本分割传播

    该研究提出了一种名为 guided networks 的机器学习方法，可以在极少的监督下自动完成图像分割任务，可开展多项任务而无需再进行优化，是一种在分割准确性和时间效率方面表现优越的方法。

    May, 2018