Dec, 2023

通过学习深度形状感知特征进行少样本形状识别

PDF
TL;DR我们提出了一种少样本形状描述符（FSSD），通过嵌入模块提取具有转换不变性的形状特征，使用可学习的形状原语分解和重构形状特征，还提出解码模块通过形状掩码和边缘对齐原始和重构的形状特征以使其更具形状感知能力，最后将所有模块组装成了一个少样本形状识别方案，实验证明我们的 FSSD 在少样本情况下相比最先进方法明显提升了形状分类。
shape descriptorsconvolutional neural networksfew-shot shape descriptorembedding moduledual attention mechanism
发现论文，激发创造
  • 直接转向形状：编码形状的实时检测

    本研究提出了一种实时形状预测的网络，通过使用去噪卷积自编码器来建立一个嵌入空间，并将解码器置于快速端到端网络之后，直接回归到编码后的形状向量。该网络在实现更高阶形状推理的同时，能够对类别的泛化性进行处理。

    Nov, 2016

  • 解耦 3D 原型网络以进行少样本概念学习

    本研究提出了一种神经网络架构，将 RGB-D 图像分离为物体的形状和样式以及背景场景的地图，并探索了它们在少样本三维物体检测和少样本概念分类的应用。

    Nov, 2020

  • 利用形状进行类别划分：带有明显形状偏差的少样本学习

    该研究提出了一种新的方法，通过学习 3D 物体形状来改进现有的低样本学习方法，并在多个数据集上证明了其有效性，同时介绍了最大种类数量的 3D 对象数据集 Toys4K。

    Jan, 2021

  • LSFSL: 利用形状信息进行少样本学习

    LSFSL improves the generalizability and robustness of few-shot learning models by incorporating relevant priors and addressing shortcut learning in deep neural networks.

    Apr, 2023

  • FSSD: 特征融合单发多框检测器

    本文提出了一种增强了 SSD 的神经网络模型 FSSD，通过轻量级的特征融合模块，能够有效地将不同尺度下的特征图融合并输入到多框检测器中进行物体检测，从而提高检测精度，同时保证了检测速度。实验表明，相较于传统的 SSD 等许多对象检测算法，FSSD 在准确度和速度两方面都有较明显的提升。

    Dec, 2017

  • 基于形状和纹理特征的序列双重深度学习用于草图识别

    本文提出了一种将形状和纹理特征相结合的顺序深度学习策略，利用编码形状描述符和 CNN 的输出作为抽象的纹理特征来识别并获得高灵活性的手绘图，并通过重复神经网络进行特征融合来实现物体不变性识别。实验结果表明，该方法即使在形状和外观发生显着变化的情况下也能优于人类平均水平和现有算法。

    Aug, 2017

  • 基于语义关系推理的稳定少样本目标检测

    通过引入显式关系推理和语义嵌入，利用少量数据探测新颖物体的性能较稳定且鲁棒，相比于显式和隐式样本较少时可以取得明显更好的结果。

    Mar, 2021

  • 基于组合先验的少样本单视图三维物体重建

    本文提出了三种针对三维重建少样本的方法，并将类先验有效地整合到模型中，以便考虑类内变异性和强制实施隐式组合结构，从而在少样本场景中显著优于现有基线模型，实验在 ShapeNet 数据集上。

    Apr, 2020

  • 基于全交叉变换器的小样本目标检测

    本文提出了一种新的基于 Fully Cross-Transformer 的模型 (FCT) 实现 few-shot 目标检测，通过在特征 backbone 和检测头中结合跨模块交互 attention，提高模型中不同表示层之间的相似性学习以达到更好的性能。在 PASCAL VOC 和 MSCOCO FSOD 基准测试上的实验验证了该模型的有效性。

    Mar, 2022

  • 多方位原型的少样本图像分类

    本文提出了一种基于 facets 的自适应相似性度量方法，该方法可以被用于改进现有的基于度量的 few-shot learning 模型，并在 miniImageNet 和 CUB 数据集上实现了 state-of-the-art 的表现。

    Feb, 2021