CVPRMay, 2021

增量式少样本实例分割

PDF
TL;DR本文提出了一种基于增量学习的 few-shot 实例分割方法 iMTFA，通过学习区分嵌入向量，以及使用 RoI 级别的余弦相似度匹配类别向量，实现了无需额外训练或访问以前的训练数据即可添加新类别，同时有效解决了存储和内存开销的问题，并在 COCO 数据集上实验表明其优于目前最先进的方法。
few-shot instance segmentationincremental learningimtfadiscriminative embeddingsmemory efficiency
发现论文，激发创造
  • 简单微调方法下的增量式少样本目标检测

    本文中，我们提出了一种简单的基于微调的方法，iFSD 的增量两阶段微调方法（iTFA），用于在不回访基类的情况下仅使用少量示例增量学习新类。实验结果表明我们提出的方法在现实世界的数据集上表现出很好的准确性和适用性。

    Feb, 2023

  • 使用视觉和语义嵌入的共同关注实现弱监督的少样本目标分割

    本文提出了一种基于多模态交互模块的小样本物体分割方法，该方法利用视觉和词嵌入的协同注意机制，使用图像级标签在 PASCAL-5i 数据集上实现了 4.8％ 的提高，并在 YouTube-VOS 数据集上展示了 TOSFL 实验的实例级和类别级结果。

    Jan, 2020

  • 学习元类内存进行少样本语义分割

    本文针对少样本语义分割任务提出一种基于元类记忆的新方法（MM-Net），引入可共享的元类概念（例如某些中间级特征），以显式地学习少样本分割任务中的元类表示，对于 $k$-shot 场景，我们还提出了图像质量测量模块来选择支持图像，最后在 PASCAL-$5^i$ 和 COCO 数据集上验证实验表明我们的方法能够在 1-shot 和 5-shot 设置下均获得最新的最好成绩。特别地，我们的 MM-Net 在 1-shot 设置下在 COCO 数据集上获得 37.5％的 mIoU 分数，比之前的最新成果高出了 5.1％。

    Aug, 2021

  • 少样本类增量学习

    该研究重点关注 CNN 模型在少数有标记样本的情况下如何对新类别进行增量式学习，并提出了基于神经气网络的知识表示和 TOpology-Preserving knowledge InCrementer (TOPIC) 框架来解决这一问题，实验结果表明该方法在几个数据集上优于当前最先进的类增量学习方法。

    Apr, 2020

  • 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

  • 组织背景以探索潜在类别的增量少样本语义分割

    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

  • 挖掘潜在类别用于少样本分割

    本研究提出一种新的联合训练框架来缓解现有方法在处理潜在新类别时出现的特征削弱问题，并使用可转移子簇来增强特征嵌入，实验结果表明，该方法在 PASCAL-5i 和 COCO-20i 数据集上超过之前的最先进方法，并具有更少的参数和更快的推理速度。

    Mar, 2021

  • 基于记忆引导网络的不确定性特征增强方法在少样本语义分割中的应用

    我们提出了一种基于少样本语义分割的方法，利用具有充足数据的基础类别训练的模型进行对只有少量数据的新类别的分割，并引入了类别共享记忆模块和基于不确定性的特征增强模块来提高模型的泛化性能。实验结果表明，我们的方法在广泛使用的 PASCAL-5i 和 COCO-20i 数据集上相比最先进的方法具有卓越的性能。

    Jun, 2024

  • 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

  • 来自图像标签文本的迭代式少样本语义分割

    本文提出了一种利用视觉 - 语言模型 CLIP 生成粗略掩模并迭代互相调整支持和查询图片的掩模预测的框架，实验结果表明该方法不仅在 PASCAL-5i 和 COCO-20i 数据集上优于最先进的弱监督方法，还能够取得与最近的有监督方法相当甚至更好的结果，并且具有出色的野外图像和非常规类别的泛化能力。

    Mar, 2023