元数据提升多任务引导下的分割
通过使用聚类,元学习和嵌入式空间中的视觉单词等技术,我们开发了一种快速,因果算法,可在单个前向传递中分割可变数量的对象,并在四个视频分割数据集上实现了最新的速度/精度折衷,在不需要调优,附加输入或后处理的情况下。
Dec, 2018
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
本文提出一种新颖的区域活性学习方法MetaBox+用于语义图像分割,该方法采用元回归模型训练估计未标注图像中每个预测分割的交集联合(IoU),并提出了一种简单但实用的注释成本估计方法,通过对基于熵的方法进行比较和分析,本文获得了新的关于注释成本、鲁棒性和方法方差的见解,并在Cityscapes数据集上进行了数值实验,明显证明了与随机获得相比,MetaBox+减少了注释工作量,并且只有两个不同网络的10.47%/32.01%注释工作量的情况下,相比于完整数据集训练可以达到95%的平均交集联合(mIoU)。
Oct, 2020
本文是关于无监督领域适应在语义分割中应用的综述,概括了包括多领域学习、域泛化、测试时适应、无源领域适应在内的最新趋势,并介绍了语义分割的最重要的方法、广泛使用的数据集和基准。
Dec, 2021
该论文提出了一种基于元学习框架的新型记忆引导域泛化方法,该方法抽象了语义类别的概念知识,并通过训练多次来学习如何记忆无域和不同的类别信息,并提供外部固定的记忆作为类别指导,以减少任意未见域的测试数据中表示不确定性。通过语义分割的广泛实验,证明了我们的方法在各种基准上具有卓越的泛化能力。
Apr, 2022
本文提出了一个基于元学习的弱监督分割方案,并在医学成像领域进行了实验和对不同范例的比较分析,研究结果表明度量学习元学习方法在小型领域变化的任务中具有更好的分割结果,而某些梯度和融合的元学习方法则对大型领域变化具有更好的推广性。
May, 2023
本文提出了一种基于元学习和数据幻觉的元幻觉框架,旨在解决医学图像分析中标签稀缺和领域转移问题,尤其是在少样本场景下,通过数据幻觉和交叉域知识传递来增强性能。对跨模态心脏分割的广泛实验表明,该方法在少样本无监督领域自适应情况下比其他方法表现更出色。
May, 2023
通过使用元学习技术,本论文提出了一种基于CAM-Net的新型语义分割方法MetaSeg,该方法通过生成像素权重来抑制带有错误伪标签的噪声区域,并利用图像内容的增强特征提供简单可靠的优化指导,从而实现了与完全监督模型接近的出色性能,为全方位语义分割开辟了新的有前途的途径。
Jan, 2024
本研究解决了MetaFormer在语义分割任务上的应用不足的问题,通过设计一个新颖的MetaSeg网络,充分利用MetaFormer架构从主干到解码器的能力。研究表明,MetaSeg在多个语义分割基准上实现了比以往更高的效率与准确性,表明该方法在提取全局上下文信息和保持计算效率方面具有显著优势。
Aug, 2024
本研究解决了MetaFormer在语义分割任务中的潜力未被充分利用的问题。通过引入一个集成MetaFormer架构的强大语义分割网络MetaSeg,该网络在解码器和主干网络中有效捕捉上下文信息。实验结果表明,MetaSeg在多个数据集上表现优越,展示了在保持计算效率的同时提升语义分割性能的潜力。
Aug, 2024