少样本语义分割相关内在特征增强网络

AAAIDec, 2023

少样本语义分割相关内在特征增强网络

Relevant Intrinsic Feature Enhancement Network for Few-Shot Semantic Segmentation

Xiaoyi Bao, Jie Qin, Siyang Sun, Yun Zheng, Xingang Wang

TL;DR为了减轻先前方法中语义歧义和类间相似性对像素级前景 - 背景分类准确性的限制，我们提出了 Relevant Intrinsic Feature Enhancement Network (RiFeNet)。通过引入一个无标签分支作为高效的数据利用方法，我们提高了前景实例的语义一致性，在测试时，无需额外的无标签数据和计算。此外，我们通过提出新颖的多层原型生成和交互模块扩展了前景和背景之间的类间变化，全局和局部原型之间的不同粒度补充性使得类似类别之间的区分更加明确。RiFeNet 在 PASCAL-5i 和 COCO 基准上的定性和定量性能超过了最先进的方法。

Abstract

For few-shot semantic segmentation, the primary task is to extract class-specific intrinsic information from limited labeled data. However, the semantic ambiguity and inter-class similarity of previous methods limit the accuracy of pixel-level →

few-shot semantic segmentation relevance intrinsic feature enhancement network foreground-background classification unlabeled branch multi-level prototype generation

发现论文，激发创造

先前引导的特征增强网络用于小样本分割

本篇研究提出了一种名为 PFENet 的模型，包含了训练无关先验蒙版生成方法和特征增强模块，用以解决高级语义信息和空间目标不一致导致的无法泛化的问题。在 PASCAL-5i 和 COCO 测试集上，我们的模型表现优于现有最先进方法，甚至在没有有标记支持样本的情况下也具有较强的泛化性能。

Aug, 2020

LERENet：金属表面缺陷少样本语义分割中消除类内差异

基于本地描述符和信息融合模块的少样本分割模型用于金属缺陷检测，提高数据稀缺问题与工业应用中的对象分割精度，比现有基准方法表现更好。

Mar, 2024

组织背景以探索潜在类别的增量少样本语义分割

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

用于少样本分割的样板细化网络

本文提出了一种原型精炼网络（PRNet），通过自适应和融合获取新类别的代表性原型，从而增强了低数据量情况下的原型区分度，实现了少样本分割的挑战，实验结果表明该方法显著优于现有方法。

Feb, 2020

区域增强的特征学习用于场景语义分割

本文提出了一种基于区域的特征强化网络 (REFL-Net)，将点云表示为区域来减少计算压力，并设计了以区域为基础的特征强化模块 (RFE) 来提高模糊点的特征表示，实现了强大的长程上下文建模和领域泛化能力。实验结果显示，REFL-Net 在 ScanNetv2 和 S3DIS 数据集上均达到了显著的增益。

Apr, 2023

Few-Shot 分割中的类原型关系

本研究提出了一种叫做 “IPRNet” 的方法，采用在原型空间中的原型关系来增强少样本数据在特征空间中的区分性，该方法在 Pascal-5i 和 COCO-20i 数据集上具有优秀的分割性能。

Nov, 2022

实例分割的隐式特征优化

本文提出了一种新型的隐式特征细化模块，该模块通过构造隐函数，利用模拟无限深度网络的固定点迭代得到实例特征的平衡状态，从而达到高质量的实例分割，并可扩展在大多数对象识别框架中。

Dec, 2021

弱监督和半监督的三维语义分割的二维特征蒸馏

通过使用 RGB 图像提供场景的更密集表示，我们提出了一种基于图像引导网络（IGNet）的方法，该方法借鉴了通过域适应合成训练的 2D 语义分割网络中的高级特征信息，进一步利用了一种称为 FOVMix 的新型混合策略以解决两个传感器之间的水平视场不匹配问题，以增强图像引导效果，并在 ScribbleKITTI 上实现了弱监督 LiDAR 语义分割的最先进结果，与全监督训练相比，仅使用 8% 的标记点，无需额外的标注负担或推理中的计算 / 内存成本。此外，我们还展示了我们的方法在半监督训练中的有效性，IGNet 在 ScribbleKITTI 和 SemanticKITTI 上均取得了最先进的结果。

Nov, 2023

FeaInfNet: 基于特征驱动推理和可视化解释的医学图像诊断

通过提出特征驱动的推理网络（FeaInfNet），本研究解决了医学图像疾病诊断中可解释性模型的问题，并通过实验证实其在多个公开医学数据集上与基准方法相比在分类准确性和可解释性方面达到了最先进的性能。

Dec, 2023

特征增强网络：一种精制的场景文本检测器

本文提出了一种经过改进的场景文本检测器，它包含一个新颖的特征增强网络（FEN）和适应性加权的定位敏感 RoI 池层，以提高对小型场景文本的检测精度，同时，也提出了一种有效的样本平衡策略来训练我们的网络，并在 ICDAR 2011 和 2013 鲁棒文本检测基准测试中得到了最先进的结果。

Nov, 2017