Jun, 2023

少样本语义分割的反射不变性学习

PDF
TL;DR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。
few-shot semantic segmentationreflection invariancemulti-view matchingprior knowledgesegmentation predictions
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 自监督少样本语义分割：一种无需标注的方法

    借鉴谱分解方法，将图像分解问题视为图划分任务，并通过特征亲和力矩阵的拉普拉斯矩阵的特征向量分析来估计感兴趣对象的分布；提出一种新颖的自监督式 FSS 框架，不依赖于任何标注，并通过利用从支持图像获得的特征向量自适应地估计查询掩码，从而消除了手动注释的需求，特别适用于具有有限标注数据的医学图像；引入了多尺度大卷积核注意力模块，进一步提高了对支持图像提供的信息进行查询图像解码的能力，通过选择性地强调相关特征和细节，改善了分割过程并有助于更好的物体勾边；在自然和医学图像数据集上的评估结果展示了我们方法的高效性和有效性。

    Jul, 2023

  • 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

  • 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

    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。

    Aug, 2023

  • 跨领域少样本分割通过迭代支持查询对应挖掘

    跨领域少样本分割 (CD-FSS) 需要仅使用有限样本从不同领域中对新颖类别进行分割，论文发现通过 fine-tuning 阶段有效地在领域之间转移学习得到的元知识的必要性以及由于新颖类别样本稀缺导致朴素的 fine-tuning 存在过拟合风险，并提出了一种解决这一挑战的新型跨领域 fine-tuning 策略，通过设计双向少样本预测 (BFP) 和迭代少样本适配器 (IFA) 来降低过拟合风险并最大化利用稀疏的新颖类别样本的监督信号，实验证明该方法显著优于当前技术水平 (+7.8%)，验证了 IFA 能同时应对跨领域挑战和减轻过拟合问题。代码将提供。

    Jan, 2024

  • 借助语义引导的关系对齐和自适应推进增量式少样本语义分割

    本文提出一种基于 Semantic-guided Relation Alignment and Adaptation (SRAA) 方法的增量式 few-shot 语义分割方法，解决了在增量学习后的语义混淆问题，并通过在 PASCAL VOC 2012 和 COCO 数据集上的实验结果表明了它的有效性。

    May, 2023

  • 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