少样本语义分割中的非目标知识学习

CVPRMay, 2022

少样本语义分割中的非目标知识学习

Learning Non-target Knowledge for Few-shot Semantic Segmentation

Yuanwei Liu, Nian Liu, Qinglong Cao, Xiwen Yao, Junwei Han...

TL;DR本研究提出了一种名为 NTRE 网络的新框架，包含 BG Mining&Eliminating Module 和 DO Eliminating Module，可以显式地挖掘和消除查询中的 BG 和 DO 区域以进行 few-shot 语义分割，并提出了基于原型对比学习算法来提高模型区分目标对象与 DOs 的能力。在 PASCAL-5i 和 COCO-20i 数据集上的广泛实验表明，我们的方法虽然简单，但非常有效。

Abstract

Existing studies in few-shot semantic segmentation only focus on mining the target object information, however, often are hard to tell ambiguous regions, especially in non-target regions, which include background (BG) and Distracting Objects (DOs). To alleviate this problem, we propose

few-shot semantic segmentation non-target region eliminating network bg mining module bg eliminating module prototypical contrastive learning algorithm

发现论文，激发创造

基于弱监督语义分割的非显著区域对象挖掘

本文提出一种基于对象挖掘的弱监督语义分割方法，该方法采用图形全局推理单元和自我修正机制，可以在非显著区域激活对象特征，进一步挖掘非显著区域的对象，并通过使用假标签的潜在对象挖掘模块减少虚假负面率。实验结果表明，在 PASCAL VOC 数据集上与当前方法相比有最先进的效果。

Mar, 2021

通过对手段抹去进行对象区域挖掘：一种从简分类到语义分割的方法

本文提出弱监督语义分割中一种新的方法，使用分类网络逐步挖掘具有较强区分性的目标区域。我们提出一种敌对擦除方法，以逐步本地化和扩展目标区域。通过敌对擦除发现的区域最终构成密集且完整的目标区域，进而学习语义分割。该方法在 PASCAL VOC 2012 数据集上获得了 55.0％和 55.7％的平均交集联合度（mIoU）分数，成为新的最优方法。

Mar, 2017

实时语义分割的背景减除

本文提出了一种基于实时语义分割的新型背景减除定义，其由传统的背景分割器和实时语义分割器组成，并在 CDnet 数据集上评估，达到了同类无监督背景减除方法的最优表现，甚至优于某些基于深度学习的有监督算法，并且具有潜在的泛化能力。

Nov, 2018

基于迭代挖掘共同对象特征的弱监督语义分割

本文提出一个迭代的自下而上和自上而下的框架，通过挖掘常见特征来扩展对象区域，并通过优化分割网络进行训练和预测对象掩码，证明此方法在 Pascal VOC 2012 数据集上的表现优于现有的最先进方法。

Jun, 2018

弱监督查询视频定位的多尺度自对比学习与硬负例挖掘

本研究提出了一种自我对比学习框架来在弱监督的条件下解决基于查询的视频定位任务，通过学习针对查询语义的逐帧匹配分数以预测可能的前景帧，并采用粗到细的对比学习方法来区分误检的帧，从而提高了视频定位的准确性。

Mar, 2022

弱监督语义分割的细粒度背景表示

该研究提出了一种简单的精细背景表示方法，通过开发一个新颖的原始负区域感兴趣（NROI）来捕捉细粒度的背景语义信息，并进行像素与负区域对比，从而区分混淆的背景像素，实现了在各种弱监督语义分割设置下的新的最先进结果。

Jun, 2024

视觉边界知识转换用于前景分割

本文旨在通过采用视觉边界知识翻译（BKT）任务建立新的模型，该模型在仅有少量标签样本的情况下，能够对未知分类进行精确分割。该模型使用分割网络和两个边界鉴别器逐步实现目标，这些实验表明，仅有少量样本的指导，Trans-Net 在轻度监督下取得了与全监督方法相当的结果。

Aug, 2021

面向通用零样本学习的领域感知视觉偏差消除

该论文提出了一种新的基于领域感知的视觉偏见消除网络（DVBE），该网络构建了两种互补的视觉表示，即无语义和有语义。实验结果表明，DVBE 相比现有方法，平均提高了 5.7％的性能表现。

Mar, 2020

少样本分割任务中的干扰背景抑制

提出了一种使用有限数量标注的支持图像来准确分割查询图像中新颖目标的少样本分割方法，并通过任务中断性背景抑制 (TBS) 模块来解决支持背景特征的问题，以达到最先进的性能。

Dec, 2023

针对目标的双变压器用于少样本分割

使用少量有标签的支持图像来识别新类别对象的分割，本文提出了 Target-aware Bi-Transformer Network（TBTNet）以等效处理支持图像和查询图像，并设计了强大的 Target-aware Transformer Layer（TTL）以提取相关性并强制模型关注前景信息，该方法在 PASCAL-5i 和 COCO-20i 标准 FSS 基准测试上表现出色。

Sep, 2023