ICCVAug, 2023

自校准交叉注意力网络用于少样本分割

PDF
TL;DR通用关键词：少样本分割、支持样本、交叉注意、自校准交叉注意、mIoU 分数。摘要：本文提出了一种自校准交叉注意模块来解决几个问题，包括在少样本分割中如何有效利用支持样本、如何融合查询背景特征、以及如何计算相似度。实验证明，该模型在 COCO-20i 上的 5-shot 设置下的 mIoU 分数比之前的最新技术提升了 5.6%+
few-shot segmentationsupport samplescross attentionself-calibrated cross attentionmiou score
发现论文，激发创造
  • 基于密集交叉查询支持的注意力加权掩码聚合，用于少样本分割

    本文提出了基于 DCAMA 和 Transformer 架构的多级像素关联的稠密像素交叉查询和支持关注权重掩模聚合方法，通过完全利用支持图像中的前景和背景信息，显着提高了标准 FSS 基准测试的性能，特别是 1-shot mIoU 方面有了 3.1％，9.7％和 3.6％的绝对改善。

    Jul, 2022

  • 自导和互导学习用于少样本分割

    本篇文章介绍了一种简单但有效的自导学习方法，用于提高查询图像的分割性能，特别是在 few-shot 分割任务中。同时，也提出了一种新的交叉引导模块，用于改善多次采样的分割结果。实验结果表明，该方法在 PASCAL-5i 和 COCO-20i 数据集上可以达到新的最优性能。

    Mar, 2021

  • 通过实例感知的数据增强和局部共识引导的跨注意力机制提升小样本分割

    本文通过精细调整预训练的深度分割网络的分类层，提出了一种适应少样本分割任务的改进方法，该方法引入了基于实例感知的数据增强策略和局部一致性引导的交叉注意力机制，通过增加支持集的多样性和改善查询与支持图像之间的一致性，显著提高了标准少样本分割基准数据集 PASCAL-$5^i$ 和 COCO-$20^i$ 上的性能。

    Jan, 2024

  • 自支撑少样本语义分割

    利用自支持匹配策略提高 few-shot 语义分割精度，通过适应性自支持背景原型生成模块和自支持损失进一步促进自支持匹配过程，该策略有效地捕获查询对象的一致潜在特征，从而更适当地匹配查询特征，其实现了多个数据集上的 SOTA，源码可在 https://github.com/fanq15/SSP 找到。

    Jul, 2022

  • 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

  • Few-shot 分类的交叉注意力网络

    本文提出了一种新颖的跨注意力网络，以解决少样本分类中的挑战性问题。该网络包含交叉注意力模块来处理未知类的问题，引入传导推理算法来缓解数据量不足的问题，并在两个基准测试上展示优于现有方法的表现。

    Oct, 2019

  • CAD: 为了改善少样本分类而共同适应辨别特征

    本研究提出一种基于自注意力机制的特征重加权策略，实现在给定极少标注样本情况下进行元学习，大幅优于同类现有方法 3%~5%。

    Mar, 2022

  • 少样本分割的遮罩跨图像编码

    我们提出了一种名为 Masked Cross-Image Encoding (MCE) 的联合学习方法，用于解决很少有标注样本的图像分割任务，通过捕捉物体细节，学习双向跨图像依赖关系来增强特征交互，进而提高元学习能力，在 PASCAL-$5^i$ 和 COCO-$20^i$ 的 FSS 基准测试中取得了先进的结果。

    Aug, 2023

  • 稠密亲和匹配用于少样本分割

    本文提出了一种密集亲和匹配（DAM）框架， 通过双向 3D 卷积密集捕捉每个支持 - 查询对中的像素对像素和像素对补丁关系来利用支持查询交互， 用于分割使用少量注释样本的新颖类别图像。

    Jul, 2023

  • 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