AAAINov, 2022

Breaking Immutable: 紧密耦合信息的原型展开用于少样本目标检测

PDF
TL;DR本文提出了一种信息耦合的样本原型扩展 (ICPE) 方法，该方法可以灵活地为每个查询图像生成特定和刻画性的原型。ICPE 包括一个条件信息耦合模块和一个原型动态聚合模块，前者可以增强检测器中支持模块中的知觉信息，后者可以动态调整原型向量的聚合权重，以突出与检测查询图像有关的显著信息。实验证明该方法在 Pascal VOC 和 MS COCO 数据集上都取得了最新的实验效果。
few-shot object detectionmeta-learningprototype elaborationdynamic aggregationstate-of-the-art performance
发现论文，激发创造
  • 通过关注每个样本原型来实现小样本物体检测

    本论文提出了一个基于元学习的方法用于 few-shot 目标检测，通过使用两种类型的注意机制对查询和支持特征图进行聚合以提高性能并最大化支持数据的多样性。

    Sep, 2021

  • 利用潜在原型的对比增强学习进行少样本分割

    本文提出了一种利用潜在原型的对比增强方法来提高 few-shot 分割模型性能的方法，通过采样模块生成伪掩模和新的原型，从而提高原型和查询特征之间的相似性信息的利用率，并通过对比增强模块来提高预测性能。实验证明，该方法在 Pascal-5^i 和 COCO-20^i 的 1-shot 和 5-shot 分割任务中的性能明显优于现有方法，尤其在 5-shot 任务中，性能分别比基准提高了 5.9% 和 7.3%。

    Mar, 2022

  • 基於知識轉移的少樣本物體檢測

    本文提出了一种基于少量样本和元学习的物体检测方法，使用原型知识转移和基于图的显式先验知识，验证了该方法在 PASCAL VOC 数据集上的有效性。

    Aug, 2020

  • 典型先验：从提高分类到零样本学习

    使用视觉原型概念作为侧面信息，通过将深度网络的输入图像映射到原型嵌入空间，实现对交通标志和商标标志等数据集的图像识别性能的提升，并能够有效地应对零样本学习的情景，从而实现对已知和未知类的统一测试以及在这两个数据集上超越某些最新零样本学习方法。

    Dec, 2015

  • 自我推进的原型细化算法用于少样本类别增量学习

    提出了一种新的增量原型学习方案，其中包括自适应特征表示和自我推进的原型细化机制，通过动态关系投影模块来计算共享嵌入空间中的关系矩阵并将其作为引导原型更新的因素，经过三个基准数据集的广泛实验，表现优于现有的增量学习方法。

    Jul, 2021

  • 变分原型编码器：原型图像的单次学习

    本研究提出了一种名为变分原型编码器（VPE）的方法，通过元任务学习图像相似性和手册概念，解决了一次性分类的图形符号识别问题。与其他基于度量学习的方法相比，实现的 VPE 在多样数据集上具有更好的性能。

    Apr, 2019

  • 细粒度原型蒸馏用于少样本目标检测

    我们提出了一种新的方法，利用元学习和精细原型来改进少样本目标检测，并通过新的特征聚合模块、平衡类别无关采样和非线性融合模块来提高高级特征融合，从而在 PASCAL VOC 和 MS COCO 基准测试中取得了最先进的性能。

    Jan, 2024

  • FSCE: 基于对比度提案编码的小样本目标检测

    本文提出了一种基于监督对比学习的小样本目标检测算法，利用提出的物体与背景对比度来学习物体表示，并通过增强对比密度来提高检测性能，实现了对检测目标的更准确定位和识别。

    Mar, 2021

  • 可解释的医学图像分类利用原型学习和特权信息

    探索了一种名为 Proto-Caps 的创新解决方案，它能够利用额外的训练过程中可用的信息来创建一个易理解且功能强大的模型，通过在 LIDC-IDRI 数据集上的评估，该方法结合了更强的可解释性和先进的预测性能，相较于可解释的基线模型，在预测恶性程度（93.0%）和肺结节的平均特征方面，我们的方法提高了超过 6% 的准确率，并同时提供了基于案例的推理和可视化验证放射学定义的特征。

    Oct, 2023

  • 用于小样本语义分割的中间原型挖掘变换器

    本研究提出了一种中介原型矿机器 (IPMT) 来学习和挖掘来自查询和支撑图像中的目标，通过迭代学习实现在查询和支撑图像间分类信息并结合中间原型进一步提高分割预测精确性。

    Oct, 2022