本研究提出了一种基于度量学习的原型对齐网络（PANet）来解决仅使用少量样本进行图像分割的问题，它通过学习每个语义类别的原型表示，并通过匹配每个像素到所学习的原型来执行查询图像的分割，最终在 PASCAL-5i 上超越了现有技术达到了 48.1% 和 55.7% 的 mIoU 得分（1-shot 和 5-shot 设置），是一种有效的 few-shot segmentation 方法。

Aug, 2019

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

该研究提出了一种基于元学习的新框架 MetaSegNet，通过全局和局部特征分支，在元学习中提取少样本语义分割的适当元知识，并将线性模型集成到 MetaSegNet 中，以实现一次性精确地多目标分割。实验结果表明，该方法在 K 路少样本语义分割任务中表现出良好的效果。

Nov, 2019

本研究提出了一种基于元学习的方法 MGIMN，使用实例比较和聚合生成类匹配向量，以解决文本分类中出现的少样本数据问题，并显著优于现有的最先进方法。

Apr, 2022

提出了一种名为 BriNet 的分割框架，该框架应用信息交换模块和多路径细粒度策略来提高查询和支持图像之间的信息交互，进而实现精确定位查询对象；并且还提出了一种新的在线细化策略，帮助训练好的模型适应未见过的类别，并在 PASCAL VOC 和 MSCOCO 数据集上创造出新的最优效果。

Aug, 2020

本文提出了一种名为 K-Net 的统一、简单、有效的框架，通过一组可学习的内核一致地分割实例和语义类别

Jun, 2021

本文介绍了深度聚类中相互信息作为无监督训练神经网络的客观标准的最大化并不能得到令人满意的聚类结果，并将核心距离更改为常见的挑战导致的原因。因此，我们通过引入广义相互信息 (GEMINI) 来推广相互信息，它是一组用于无监督神经网络训练的指标。与相互信息不同，一些 GEMINI 在训练时不需要正则化，因为它们在数据空间中具有几何意识的距离或核函数。最后，我们强调 GEMINI 可以自动选择相关的聚类数目，这是在深度判别聚类上很少研究的一个特性，因为聚类数目是先验未知的。

Sep, 2023

本文提出了一种名为多模态信息最大化的框架，通过提高单模态输入对之间的相互信息和多模态融合结果与单模态输入之间的相互信息，以保留任务相关信息，在下游任务中，与主要任务（MSA）一起进行联合训练，以提高下游任务的性能。实验结果证明了我们方法的有效性。

Sep, 2021

本文提出 Path Aggregation Network（PANet）来提高神经网络中信息传递的效率，主要集中于基于提案的实例分割框架。具体来说，通过底层路径增强和自适应特征池化等方法来提高信息的传递效率，并建立了一个补充分支，以有效提高 Mask 预测的准确性。我们的方法在多个数据集上达到了最佳表现，具有简单易实现以及较小的计算复杂度。

Mar, 2018

本研究提出了一种全局信息感知模块 (GIA)，该模块能够提取和集成全局信息以改善低光成像表现，通过将 GIA 模块插入到基本 U-Net 中，构建了 GIA-Net，并在大规模真实世界低光成像数据集上实现了训练和评估，实验结果显示，所提出的 GIA-Net 在四个指标中表现优于现有的最先进方法。

Sep, 2020