ICCVAug, 2023

基于原型核学习和开放集前景感知的广义少样本语义分割

PDF
TL;DR通过联合原型核心学习和开放式前景感知，我们提出了泛化少样本语义分割（GFSS）方法，以准确分割未见过的类别和已见过的类别，在 PASCAL-5i 和 COCO-20i 数据集上表现优于先前的最先进技术。
generalized few-shot semantic segmentationprototypical kernel learningopen-set foreground perceptionembedding prejudiceclass incremental few-shot semantic segmentation
发现论文，激发创造
  • 通用少样本语义分割

    本文中，我们介绍了一个名为 “广义 Few-Shot 语义分割（GFS-Seg）” 的新基准数据集，用于分析在同时分割具有非常少的示例的新类别和具有足够示例的基础类别的情况下的内在泛化能力。我们提出了一种名为 “上下文感知原型学习（CAPL）” 的方法来提高模型的性能，该方法通过从支持样本中利用共现先验知识并动态丰富上下文信息到分类器，条件是基于每个查询图像的内容。在 Pascal-VOC 和 COCO 上的实验表明了 CAPL 的有效性，CAPL 在 Few-Shot Segmentation 上具有很好的泛化性能，且性能与现有状态 - of-the-art 方法相比有竞争力。

    Oct, 2020

  • 组织背景以探索潜在类别的增量少样本语义分割

    在增量少样本语义分割（iFSS）问题中，我们提出了一种名为 OINet 的网络，即背景嵌入空间组织和原型继承网络，通过在训练基础类别时使用多个分类头和多个子类原型来保留新类别的嵌入空间，并提出了一种策略来选择最匹配当前学习新类别的子类原型，使新类别能够在少样本下注册在嵌入空间中，而不影响基础类别的分布，Pascal-VOC 和 COCO 上的结果表明，OINet 取得了最新的技术成果。

    May, 2024

  • 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

  • 少样本高保真原型的医学图像分割

    提出了一种新颖的 Detail Self-refined Prototype Network（DSPNet）用于构建全面表示目标前景和背景的高保真原型，以解决医学图像中具有复杂背景且对象不明显的情况下，已有模型在 few-shot 语义分割方面的不足。在三个具有挑战性的医学图像基准上的广泛实验证实了 DSPNet 相对于先前的最先进方法的优越性。

    Jun, 2024

  • 学习什么不应该分割：少样本分割的新视角

    本文提出了一种新颖的在 few-shot segmentation 模型中加入 base learner 的方法，通过使用伴随的 base learner 得到被忽略的对象并将其与 meta learner 的预测结果相结合，从而提高模型的泛化性能和分割准确率。实验结果表明，该方法具有良好的性能且在 generalized FSS 情况下也有很好的表现。

    Mar, 2022

  • 自适应 FSS: 一种通过原型增强的新型少样本分割框架

    基于适配器机制提出了一种新的 Few-Shot Segmentation (FSS) 框架，设计了 Prototype Adaptive Module (PAM) 来提高 FSS 模型的性能和实现新的最先进结果。

    Dec, 2023

  • 不仅仅是从他人学习，而是依靠自己：对遥感中少样本分割的新视角

    提出了一种名为 DMNet 的双挖掘网络来解决卫星遥感场景中极端类内变化的问题，并通过 Class-public Region Mining 和 Class-specific Region Mining 模块有效地实现语义的挖掘和提取，同时引入 Known-class Meta Suppressor 模块来抑制已知类中的对象激活，实现了在少量样本下对未知类目标的差异化分割。

    Oct, 2023

  • 少样本语义分割的反射不变性学习

    本文提出了一个新的少样本分割框架，通过多视角匹配的方式挖掘反射不变性。通过学习融合具有相同语义的原始和反射支持特征，得到具有更强分类表示能力的反射不变性原型。同时，还提出了反射不变性先验掩码生成模块以集成不同视角的先验知识，并通过反射不变性语义预测模块将来自不同视角的分割预测进行综合，从而得出准确的分割预测结果。在 PASCAL-5i 和 COCO-20i 数据集上的广泛实验证明了我们方法的有效性和卓越性能。

    Jun, 2023

  • 基于记忆引导网络的不确定性特征增强方法在少样本语义分割中的应用

    我们提出了一种基于少样本语义分割的方法，利用具有充足数据的基础类别训练的模型进行对只有少量数据的新类别的分割，并引入了类别共享记忆模块和基于不确定性的特征增强模块来提高模型的泛化性能。实验结果表明，我们的方法在广泛使用的 PASCAL-5i 和 COCO-20i 数据集上相比最先进的方法具有卓越的性能。

    Jun, 2024

  • 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