组织背景以探索潜在类别的增量少样本语义分割

May, 2024

组织背景以探索潜在类别的增量少样本语义分割

Organizing Background to Explore Latent Classes for Incremental Few-shot Semantic Segmentation

Lianlei Shan, Wenzhang Zhou, Wei Li, Xingyu Ding

TL;DR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。

Abstract

The goal of incremental few-shot semantic segmentation (ifss) is to extend pre-trained segmentation models to new classes via few annotated images without access to old training data. During incrementally learnin

incremental few-shot semantic segmentation ifss oinet background embedding space prototype inherit network

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

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

IFSENet：利用稀疏迭代实现交互式少样本分割的卓越性能

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

简单微调方法下的增量式少样本目标检测

本文中，我们提出了一种简单的基于微调的方法，iFSD 的增量两阶段微调方法（iTFA），用于在不回访基类的情况下仅使用少量示例增量学习新类。实验结果表明我们提出的方法在现实世界的数据集上表现出很好的准确性和适用性。

Feb, 2023

增量式少样本目标检测

提出了 OpeN-ended Centre nEt (ONCE) 目标检测器，旨在解决增量、少样本类别检测问题。通过将 CentreNet 检测器优雅地适应到少样本学习场景，并元学习一种适用于注册新类的类特定代码生成器模型，实现了对具有少数样本的新类对象进行学习的目标检测。

Mar, 2020

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

少样本类增量学习

该研究重点关注 CNN 模型在少数有标记样本的情况下如何对新类别进行增量式学习，并提出了基于神经气网络的知识表示和 TOpology-Preserving knowledge InCrementer (TOPIC) 框架来解决这一问题，实验结果表明该方法在几个数据集上优于当前最先进的类增量学习方法。

Apr, 2020

少样本高保真原型的医学图像分割

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

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

集成少样本学习用于分类和分割

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