基于背景聚类的少样本分割预训练
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
在增量少样本语义分割(iFSS)问题中,我们提出了一种名为 OINet 的网络,即背景嵌入空间组织和原型继承网络,通过在训练基础类别时使用多个分类头和多个子类原型来保留新类别的嵌入空间,并提出了一种策略来选择最匹配当前学习新类别的子类原型,使新类别能够在少样本下注册在嵌入空间中,而不影响基础类别的分布,Pascal-VOC 和 COCO 上的结果表明,OINet 取得了最新的技术成果。
May, 2024
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
该论文提出了一种名为 BACS 的向后背景位移检测器,用于检测以前观察到的类,并建议一种修改后的交叉熵损失函数,结合 BACS 检测器,降低与以前观察到的类相关联的背景像素的权重,以解决连续语义分割面临的问题。同时,该方法通过掩蔽特征蒸馏和暗体验重播来应对灾难性遗忘,并使用能够适应新类别的变压器解码器,而不需要额外的分类头。该方法在标准连续语义分割基准测试上验证了 BACS 相对于现有最先进方法的卓越表现。
Apr, 2024
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
基于弱监督学习的时间动作定位,通过只用视频级别的动作标签来定位视频中的动作实例。通过无监督的片段聚类,提出了一种基于聚类的前景与背景分割算法,通过产生匹配多个可能的先验分布的高质量伪标签,确保片段的聚类分配与其前景和背景标签的准确关联,从而改善前景和背景分离。在 THUMOS14、ActivityNet v1.2 和 v1.3 的三个基准上评估了该方法,相比之前的方法,我们的方法在所有三个基准上都取得了良好的性能,同时更加轻量级。
Dec, 2023
该论文提出了一种新颖的方法来解决 few-shot open-set recognition 问题;首先,利用 background features 提取 pseudo unseen classes,将决策边界保留给 unseen classes,以更有效地学习分类器;通过对 tieredImageNet、miniImageNet 和 CUB 三个基准数据集的实验,实现了超越多个基准的 state-of-the-art 结果。
Jul, 2022
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
本文首次将现实图像中常见的背景纳入研究范畴,提出了一种名为 COSOC 的无监督前景对象提取模型,在缩小训练和测试之间的差距,提高 Few-Shot Learning 任务的性能方面发挥了显著作用。
Jul, 2021