基于四元数相关性学习的小样本语义分割

May, 2023

基于四元数相关性学习的小样本语义分割

Quaternion-valued Correlation Learning for Few-Shot Semantic Segmentation

Zewen Zheng, Guoheng Huang, Xiaochen Yuan, Chi-Man Pun, Hongrui Liu...

TL;DR本文提出了一种基于四元数代数的相关学习网络（QCLNet），该网络以四元数域表示相关张量，利用四元数值卷积探索查询子空间的外部关系，并考虑支持子维度的隐藏关系，其在 PASCAL-5i 和 COCO-20i 数据集上的实验结果表明，该方法有效地优于现有的最先进方法。

Abstract

few-shot segmentation (FSS) aims to segment unseen classes given only a few annotated samples. Encouraging progress has been made for FSS by leveraging semantic features learned from base classes with sufficient training samples to represent novel classes. The correlation-based methods

few-shot segmentation correlation learning quaternion algebra hyper-complex valued network state-of-the-art

发现论文，激发创造

Few-Shot 分割的超相关压缩

本文提出了利用多层特征相关性和高效 4D 卷积的 HSNet 来解决少样本语义分割问题，通过 coarse-to-fine 方式逐渐将高层次和低层次的几何和语义信息聚合到精确的分割掩模中，并在 PASCAL-5i、COCO-20i 和 FSS-1000 标准基准上验证了该方法的有效性。

Apr, 2021

基于基础模型学习强大的相关性用于弱监督少样本分割

这篇论文介绍了一种针对弱监督少样本分割任务的方法，通过设计一种名为 CORENet 的相关增强网络，使用多信息引导来学习强大的相关性，提供了比现有方法更优秀的性能。

May, 2024

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

少样本遥感图像语义分割中的自相关和互相关学习

远程感知图像的语义分割是远程感知图像解释中的重要问题。目前已经取得了显著的进展，虽然现有的深度神经网络方法在依赖大量训练数据方面存在问题。少样本远程感知语义分割旨在仅使用少量标注的目标类别支持图像从查询图像中学习分割目标对象。然而，现有的少样本学习方法主要集中在从支持图像中提取信息，未能有效解决地理对象外观和尺度的大差异。为了解决这些挑战，我们提出了一种自相关和交叉相关学习网络，用于少样本远程感知图像语义分割。我们的模型通过考虑支持图像和查询图像之间的自相关和交叉相关来增强泛化性能。为了进一步探索与查询图像的自相关性，我们提出采用经典的频谱方法，基于图像的基本视觉信息生成一个类别无关的分割掩模。在两个远程感知图像数据集上进行了大量实验，证明了我们的模型在少样本远程感知图像语义分割中的有效性和优越性。代码和模型可以在此 URL 中访问。

Sep, 2023

分层密集相关蒸馏用于小样本分割

本文提出了一种基于 transformer 架构的 Hierarchically Decoupled Matching Network（HDMNet）用于 few-shot 语义分割任务。该网络利用自注意力机制来建立层次化的密集特征并使用匹配模块降低过拟合，引入来自粗分辨率的语义对应的相关性传递，以提高细粒度的分割。在实验中该方法表现良好，在 COCO 数据集上的 1-shot 和 5-shot 分割分别达到了 50.0% 和 56.0% 的 mIoU。

Mar, 2023

四元数卷积神经网络

通过使用四元数矩阵表示，我们提出了一个四元数卷积神经网络（QCNN）模型来在彩色图像分类和去噪任务中得到更具代表性的特征，并测试结果表明该模型优于具有相同结构的实值卷积神经网络。

Mar, 2019

通过查询引导增强提升少样本 3D 点云分割

通过适应支持原型和查询特征之间的语义差距，我们的方法在点云的少样本分割模型中取得显著改进，并维持高效性能。

Aug, 2023

四元数卷积神经网络用于异构图像处理

本文研究基于多元代数的四元数卷积神经网络在彩色图像重建任务上的成功原因，发现其可以更好地学习内部和外部关系以及更少的参数数量与灰度训练的情况下，在重建未看到的彩色图像上表现较好。

Oct, 2018

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

重新思考少样本 3D 点云语义分割

该研究论文通过引入标准化的少样本点云语义分割设置和基于相关性优化的新模型 (COSeg)，解决了目前该领域面临的前景泄漏、稀疏点分布等问题，在流行数据集上的实验证明了 COSeg 相对于现有方法的优越性。

Mar, 2024