面向鲁棒性的少样本点云语义分割
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
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
本文提出了一种基于点噪声自适应学习(PNAL)框架的点云分割算法,包括一种基于历史预测的可靠标签点选择和一种投票策略的集群微调方法,有效解决了一些实际场景中存在的标签噪声问题。
Jul, 2021
该论文提出了两种新型的自监督预训练方法,利用覆盖树对点云进行分层划分,从而避免手动注释点云所导致的困难;并针对少样本学习设置,让学习网络对支持集的点云嵌入进行预训练。实验表明,利用该自监督学习方法预训练的有监督方法显著提高了目前最先进方法的准确性,并且该方法在下游的分类任务中也优于先前的无监督方法。
Sep, 2020
针对 few-shot 语义分割的挑战,该论文提出了一种基于动态原型卷积网络 (DPCN) 的解决方案,其中动态卷积模块 (DCM) 从支持前景生成动态内核,而支持激活模块 (SAM) 和特征过滤模块 (FFM) 则一起为查询图像提供丰富的背景信息,实现了更准确的 few-shot 语义分割。DPCN 在 1-shot 和 5-shot 设置下均表现出优越性能。
Apr, 2022
本篇文章提出了一种基于密集高斯过程回归的 few-shot 图像分割方法,通过有效地捕获支持集中的细节信息并且稳健到外观和上下文的变化,实现了 PASCAL-5i 和 COCO-20i 基准的新的最先进水平。
Oct, 2021
本文提出了一种名为 ProCNS 的弱监督分割(WSS)方法,包括两个协同模块,旨在提供更可靠的指导并降低噪声干扰,通过最大化空间和语义元素之间的成对关联来扩展稀疏注释,并在医学图像分割任务中显著优于现有的代表性方法。
Jan, 2024
本文提出了一种基于超像素指导的用于从弱标注中生成噪声标签的方法(PNS),以及一种基于 MTCL 的 Two-Stage Mean-Teacher-assisted Confident Learning(2SMTCL)方法,用于多类别 OCT 流体分割。实验结果表明,该方法在 OCT 流体分割以及标签去噪方面性能优秀,为眼科领域患者的诊断和治疗提供了高效、准确和实用的解决方案。
Jun, 2023
使用卷积神经网络(CNN)对支持图像进行特征提取,生成类别特征向量,然后通过余弦相似度将目标物体在查询图像中分割出来,在 PASCAL-$5^i$ and COCO-$20^i$ 数据集上验证了其优越性。
Sep, 2019