类相似度转换：从广义少样本分割中解耦类相似度和不平衡

Apr, 2024

类相似度转换：从广义少样本分割中解耦类相似度和不平衡

Class Similarity Transition: Decoupling Class Similarities and Imbalance from Generalized Few-shot Segmentation

Shihong Wang, Ruixun Liu, Kaiyu Li, Jiawei Jiang, Xiangyong Cao

TL;DR在广义 Few-shot 分割（GFSS）中，通过使用大量基本类别样本对模型进行训练，再对有限的新类别样本进行调整。本文主要关注基本类别和新类别之间的相关性，并在两个方面对 GFSS 进行改进：1）利用基本类别与新类别之间的相似性促进新类别的学习；2）通过缓解支持集和训练集之间的体积差异引起的类别不平衡问题。通过提出相似性转换矩阵指导基于基本类别的知识学习新类别，以及利用 Label-Distribution-Aware Margin（LDAM）损失和 Transductive Inference 来解决类别不平衡和过拟合支持集的问题。此外，通过扩展概率转换矩阵，该方法可以在学习新类别时减轻基本类别的灾难性遗忘。我们通过在 OpenEarthMap 的适应版本上验证了我们的方法。与现有的 GFSS 基线相比，我们的方法在 OpenEarthMap Land Cover Mapping Few-Shot Challenge 中的排名从 3％到 7％不等，并在本文完成时排名第二。

Abstract

In generalized few-shot segmentation (GFSS), a model is trained with a large corpus of base class samples and then adapted on limited samples of novel classes. This paper focuses on the relevance between base and novel

generalized few-shot segmentation base and novel classes similarity transition matrix class imbalance catastrophic forgetting

发现论文，激发创造

挖掘潜在类别用于少样本分割

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

关系推广少样本学习

本文提出一种基于图卷积的全局原型网络（GcGPN）的图形框架，该框架显式地模拟了联合标签空间中所有已看到和新类别之间的关系，以在全局一致的方式下将新类别嵌入到以前看到的所有类别的现有空间中，为广义小样本学习（GFSL）中的快速适应和全局区分提供了解决方案。

Jul, 2019

基于原型核学习和开放集前景感知的广义少样本语义分割

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

通用少样本语义分割

本文中，我们介绍了一个名为 “广义 Few-Shot 语义分割（GFS-Seg）” 的新基准数据集，用于分析在同时分割具有非常少的示例的新类别和具有足够示例的基础类别的情况下的内在泛化能力。我们提出了一种名为 “上下文感知原型学习（CAPL）” 的方法来提高模型的性能，该方法通过从支持样本中利用共现先验知识并动态丰富上下文信息到分类器，条件是基于每个查询图像的内容。在 Pascal-VOC 和 COCO 上的实验表明了 CAPL 的有效性，CAPL 在 Few-Shot Segmentation 上具有很好的泛化性能，且性能与现有状态 - of-the-art 方法相比有竞争力。

Oct, 2020

自适应 FSS: 一种通过原型增强的新型少样本分割框架

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

学习什么不应该分割：少样本分割的新视角

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

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

借助语义引导的关系对齐和自适应推进增量式少样本语义分割

本文提出一种基于 Semantic-guided Relation Alignment and Adaptation (SRAA) 方法的增量式 few-shot 语义分割方法，解决了在增量学习后的语义混淆问题，并通过在 PASCAL VOC 2012 和 COCO 数据集上的实验结果表明了它的有效性。

May, 2023

无需训练的原型校准的少样本类增量学习

在 Few-Shot Class-Incremental Learning (FSCIL) 场景中，我们发现现有方法倾向于将新类别的样本错误地分类为基类别，导致新类别的性能表现较差。为了解决这一问题，我们提出了一种简单而有效的训练无关的校准策略（TEEN），通过将新类别的原型与加权基类别的原型相融合，以增强新类别的可区分性。在 FSCIL 标准基准测试中，TEEN 显示出出色的性能并在 few-shot learning 场景中持续改进。

Dec, 2023

基于梯度相似性的自适应元学习器用于小样本文本分类

提出了一种基于自适应元学习和梯度相似性的方法 AMGS，通过获得样本的潜在语义表示和构建自监督辅助任务以及利用自适应元学习者对基学习者在外循环中获得梯度的约束，以解决少样本学习场景下优化方法的过拟合问题。实验结果表明，与基于优化方法的元学习方法相比，该方法能够提高 few-shot 文本分类的性能。

Sep, 2022