UniFS：基于点表示的通用少样本实例感知

Apr, 2024

UniFS：基于点表示的通用少样本实例感知

UniFS: Universal Few-shot Instance Perception with Point Representations

Sheng Jin, Ruijie Yao, Lumin Xu, Wentao Liu, Chen Qian...

TL;DR通过将多个实例感知任务转化为动态点表示学习框架，UniFS 提出了一种通用的少样本实例感知模型，并提出 Structure-Aware Point Learning (SAPL) 以进一步增强表示学习。

Abstract

instance perception tasks (object detection, instance segmentation, pose estimation, counting) play a key role in industrial applications of visual models. As supervised learning methods suffer from high labeling cost, few-shot learning methods which effectively learn from a limited nu

instance perception tasks few-shot learning methods unifs dynamic point representation learning structure-aware point learning (sapl)

发现论文，激发创造

UniAP: 透过少样本学习实现通用动物视觉感知

UniAP 是一种新型的通用动物感知模型，它利用少样本学习实现不同视觉任务中不同动物之间的跨物种感知。通过利用不同动物和任务之间的共享视觉特征，UniAP 能够将知识从研究充分的物种传递到有限标记数据甚至从未见过的物种中，展示其在姿势估计、分割和分类任务方面的广泛适应性和泛化能力。

Aug, 2023

有效的几类点云分类任务需要什么？

该研究对最近在机器学习领域受到欢迎的少样本学习在三维感知上的应用进行了深入系统研究，提出了一种新的组件 Cross-Instance Adaptation（CIA） module，将其插入到当前基线模型中可显著提高表现，并在两个新的基准数据集上证明了该模型的优越性。

Mar, 2023

通过可散点学习统一视觉感知

UniHead 使用 transformer encoder 实现视觉感知任务的统一处理，提供了一个简单、灵活、通用的视觉感知头，支持对象检测、实例分割和姿态估计等视觉任务，并在 ImageNet 和 COCO 数据集上进行了广泛的评估。

Aug, 2022

通用实例感知作为物体发现和检索

本文提出了一个称之为 UNINEXT 的通用实例感知模型，它将各种实例感知任务重新制定为统一的对象发现和检索范式，并且可以灵活地通过更改输入提示来感知不同类型的对象。这个统一的公式带来了以下好处：(1) 可以利用来自不同任务和标签词汇的大量数据进行联合训练，这对于缺乏训练数据的任务尤其有益。(2) 这个统一的模型是参数高效的，能够在处理多个任务时节省冗余计算。在 20 个具有挑战性的基准测试中，包括经典的图像级任务 (对象检测和实例分割)、视觉语言任务 (指称理解和分割) 和六个视频级对象跟踪任务，UNINEXT 表现出优异的性能。

Mar, 2023

无监督自监督训练的小样本学习

本研究提出了一种基于自监督训练（UFLST）的无监督少样本学习方法，使用渐进聚类和情节训练进行训练以进一步优化数据的特征表示，并证明了该模型在几个基准数据集中的良好性能，包括 Omniglot 和 Mini-ImageNet。

Dec, 2019

点云上的自监督少样本学习

该论文提出了两种新型的自监督预训练方法，利用覆盖树对点云进行分层划分，从而避免手动注释点云所导致的困难；并针对少样本学习设置，让学习网络对支持集的点云嵌入进行预训练。实验表明，利用该自监督学习方法预训练的有监督方法显著提高了目前最先进方法的准确性，并且该方法在下游的分类任务中也优于先前的无监督方法。

Sep, 2020

SimIPU: 简单的二维图片和三维点云无监督预训练，用于具有空间感的视觉表征

该研究提出了一个名为 SimIPU 的简单而有效的 2D 图像和 3D 点云无监督预训练策略，利用点云提供空间信息，通过对比学习框架来生成空间感知的图像表示。这是第一次探索对配对的相机图像和 LIDAR 点云进行对比学习预训练策略。

Dec, 2021

Uni-Perceiver: 通用感知的预训练统一架构，用于零样本和小样本任务

使用 Uni-Perceiver 的通用感知架构进行多个任务和多个模态的统一建模和共享参数，在预训练和微调的阶段都表现出了可接受的结果和表现。

Dec, 2021

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

基于动作 - 外观对齐元适应的无监督少样本动作识别

MetaUVFS 是第一个基于无监督元学习的算法并使用对比学习以捕获与外观相关的空间特征和与动作相关的时空特征，在使用 Action-Appearance Aligned Meta-adaptation (A3M) 模块进行元适应学习后，能够在不需要基础分类标签或监督的预训练模型的情况下在流行的 HMDB51、UCF101 和 Kinetics100 数据集上表现优异。

Sep, 2021