超越局部:集成骨干网络进行少样本分割
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
本文提出了解决 2019 年 COCO 全景分割任务的方法,结合了实例分割和语义分割,采用多种模型和策略,获取了最佳结果 $PQ$ 47.1。
Apr, 2023
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
本文介绍了一种用于 Panoptic 分割任务的新方法,即在 Mask R-CNN 模型中使用共享的 Feature Pyramid Network 实现对实体和语义分割任务的联合建模,该方法既能保持实体分割的高效性,而且还能实现语义分割的最佳性能。
Jan, 2019
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
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
本文提出了一种新的鲁棒性编码器解码器结构的神经网络,使用少量的训练示例进行端到端的训练,通过特征融合在 Feature Pooling Module 中提取多尺度特征,实现对相机运动的鲁棒特征池化,免去多尺度输入的需求,通过 CDnet2014、SBI2015 和 UCSD Background Subtraction 数据集的实验表明,所提出的方法的整体 F-Measure 平均值优于现有所有最先进的方法。
Aug, 2018
该研究使用深度原型对齐网络(DPANet)来准确分割犬胸部放射照片上的心脏和左房扩大,实验结果表明所提出的 DPANet 在各种情境下均获得最高性能,不仅在性能上有所提升,还在训练速度上有所改善,该模型为通过少样本分割,在兽医应用中开拓了新的机遇,为兽医医学的发展树立了新的基准,并展示了其在兽医 AI 研究中的巨大潜力。
Mar, 2024
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