基于密集高斯过程的少样本分割

Oct, 2021

Dense Gaussian Processes for Few-Shot Segmentation

Joakim Johnander, Johan Edstedt, Michael Felsberg, Fahad Shahbaz Khan, Martin Danelljan

TL;DR本篇文章提出了一种基于密集高斯过程回归的 few-shot 图像分割方法，通过有效地捕获支持集中的细节信息并且稳健到外观和上下文的变化，实现了 PASCAL-5i 和 COCO-20i 基准的新的最先进水平。

Abstract

few-shot segmentation is a challenging dense prediction task, which entails segmenting a novel query image given only a small annotated support set. The key problem is thus to design a method that aggregates deta

few-shot segmentation dense gaussian process regression support set uncertainty state-of-the-art

发现论文，激发创造

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

特征加权和增强在少样本分割中的应用

使用卷积神经网络（CNN）对支持图像进行特征提取，生成类别特征向量，然后通过余弦相似度将目标物体在查询图像中分割出来，在 PASCAL-$5^i$ and COCO-$20^i$ 数据集上验证了其优越性。

Sep, 2019

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

自监督调整用于小样本分割

提出了一个自适应调节框架以改进基于元学习的 few-shot 语义分割问题，其中包括一个新颖的自监督内循环来提取支持图像的潜在语义特征，并支持基于梯度图的元学习以逐步优化分割结果。

Apr, 2020

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

语义分割的单次学习

研究在稀缺数据的支持下，将少样本学习方法拓展到密集语义图像分割中，通过训练网络，产生 Fully Convolutional Network 参数来执行稀缺数据学习。与 PASCAL VOC 2012 数据集中最佳基线方法相比，我们的架构在新语义类的单次分段中展示了相对 25% 的 meanIoU 改进，并且速度至少快 3 倍。

Sep, 2017

DenseMP：无监督密集预训练用于少样本医学图像分割

通过使用无监督稠密预训练 (Unsupervised DenseMP) 方法，我们提出了一种新的少样本医学图像语义分割模型 (DenseMP)，它通过两个阶段的训练极大地提高了 PA-Net 模型的性能，实现了 Abd-CT 和 Abd-MRI 数据集的最先进的结果。

Jul, 2023

基于双向 RNN 的 3D 医学图像分割少样本学习

本文提出了一种基于 3D 少样本学习的器官分割框架，通过学习支撑数据的 2D 片段与查询图像之间的关系，包括一个学习编码特征的双向门控循环单元（GRU），以及在使用任意支撑和查询数据之前通过迁移学习方法更新模型来适应目标图像和器官的特征。在三个 3D CT 数据集上测试，该模型的性能显著优于最先进的少样本分割模型，并且与使用更多目标训练数据训练的完全监督模型相当。

Nov, 2020

动态原型卷积网络用于小样本语义分割

针对 few-shot 语义分割的挑战，该论文提出了一种基于动态原型卷积网络 (DPCN) 的解决方案，其中动态卷积模块 (DCM) 从支持前景生成动态内核，而支持激活模块 (SAM) 和特征过滤模块 (FFM) 则一起为查询图像提供丰富的背景信息，实现了更准确的 few-shot 语义分割。DPCN 在 1-shot 和 5-shot 设置下均表现出优越性能。

Apr, 2022

层次化稠密相关蒸馏用于少样本分割 - 报告摘要

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