图像转伪情节:通过无标签数据增强少样本分割
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
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
我们提出了一种名为 Masked Cross-Image Encoding (MCE) 的联合学习方法,用于解决很少有标注样本的图像分割任务,通过捕捉物体细节,学习双向跨图像依赖关系来增强特征交互,进而提高元学习能力,在 PASCAL-$5^i$ 和 COCO-$20^i$ 的 FSS 基准测试中取得了先进的结果。
Aug, 2023
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
本文介绍了少量样本分类和分割的集成任务 (FS-CS),将两个常规的少量样本学习问题广义化到具有任意图像对的更现实的情境。提出了用于 FS-CS 的集成少量样本学习 (iFSL) 框架,该框架训练学习者构建类别化的前景图,用于多标签分类和像素级分割。同时开发了一个有效的 iFSL 模型,称为 ASNet,该模型利用深层语义相关性和全局自我注意力来生成可靠的前景图。结果表明,所提出的方法在 FS-CS 任务上表现良好,并在标准的少量样本分割基准上取得了最优结果。
Mar, 2022
IFSENet 是一种结合了 few-shot 分割和交互式分割概念的模型,通过接受点击输入的方式在支持图像和查询图像上生成遮罩,极大地减少了训练新类别分割模型所需的注释工作量。
Mar, 2024
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
本文提出了一个新的少样本分割框架,通过多视角匹配的方式挖掘反射不变性。通过学习融合具有相同语义的原始和反射支持特征,得到具有更强分类表示能力的反射不变性原型。同时,还提出了反射不变性先验掩码生成模块以集成不同视角的先验知识,并通过反射不变性语义预测模块将来自不同视角的分割预测进行综合,从而得出准确的分割预测结果。在 PASCAL-5i 和 COCO-20i 数据集上的广泛实验证明了我们方法的有效性和卓越性能。
Jun, 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
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