本篇文章介绍了一种简单但有效的自导学习方法，用于提高查询图像的分割性能，特别是在 few-shot 分割任务中。同时，也提出了一种新的交叉引导模块，用于改善多次采样的分割结果。实验结果表明，该方法在 PASCAL-5i 和 COCO-20i 数据集上可以达到新的最优性能。

Mar, 2021

该研究提出了一种新的循环一致 Transformer（CyCTR）模块，通过交叉注意支持和查询图像的特征，聚合像素级支持特征到查询特征中，并使用循环一致的注意机制过滤可能有害的支持特征，最终在所有 few-shot 分割基准测试中实现了显着的改进。

Jun, 2021

通用关键词：少样本分割、支持样本、交叉注意、自校准交叉注意、mIoU 分数。摘要：本文提出了一种自校准交叉注意模块来解决几个问题，包括在少样本分割中如何有效利用支持样本、如何融合查询背景特征、以及如何计算相似度。实验证明，该模型在 COCO-20i 上的 5-shot 设置下的 mIoU 分数比之前的最新技术提升了 5.6%+

Aug, 2023

提出了一个自适应调节框架以改进基于元学习的 few-shot 语义分割问题，其中包括一个新颖的自监督内循环来提取支持图像的潜在语义特征，并支持基于梯度图的元学习以逐步优化分割结果。

Apr, 2020

本文提出了一种利用视觉 - 语言模型 CLIP 生成粗略掩模并迭代互相调整支持和查询图片的掩模预测的框架，实验结果表明该方法不仅在 PASCAL-5i 和 COCO-20i 数据集上优于最先进的弱监督方法，还能够取得与最近的有监督方法相当甚至更好的结果，并且具有出色的野外图像和非常规类别的泛化能力。

Mar, 2023

本文提出了一种新颖的跨注意力网络，以解决少样本分类中的挑战性问题。该网络包含交叉注意力模块来处理未知类的问题，引入传导推理算法来缓解数据量不足的问题，并在两个基准测试上展示优于现有方法的表现。

Oct, 2019

通过将输入样本分割成补丁，并借助 Vision Transformers 对其进行编码，从而在图像的局部区域之间建立语义对应关系，而不受其各自类别的影响。利用掩蔽图像建模等方法进行无监督训练，以克服标签不够精细以及避免负面的图像级注释影响，实现了对数据的更一般的统计结构的学习，并在四个流行的 Few-shot 分类基准测试中，对于 5-shot 和 1-shot 情形均取得了新的最优结果。

Jun, 2022

本论文提出了关联对齐的思想，将新颖的训练实例与基础训练集中密切相关的样本进行对齐，从而扩大了有效新颖训练集的规模。研究表明采用我们提出的关联对齐策略和以质心为基础的关联损失，相较于现有技术，可以分别在目标识别、细粒度分类和跨领域适应中提高 5-shot 学习的绝对准确率 4.4％、1.2％和 6.2％。

Dec, 2019

通过语言信息进行语言指导的少样本语义分割，使用视觉 - 语言预训练模型和遮罩优化来生成高质量伪语义遮罩，引入分布式原型监督方法和互补相关匹配模块来指导模型挖掘支持和查询图像的精确语义关系。在两个基准数据集上的实验表明，我们的方法为语言指导的少样本语义分割建立了新的基准，并达到了与最近的视觉指导方法竞争的结果。

Nov, 2023

本研究提出一种基于自注意力机制的特征重加权策略，实现在给定极少标注样本情况下进行元学习，大幅优于同类现有方法 3%~5%。

Mar, 2022