Jun, 2024

基于记忆引导网络的不确定性特征增强方法在少样本语义分割中的应用

PDF
TL;DR我们提出了一种基于少样本语义分割的方法，利用具有充足数据的基础类别训练的模型进行对只有少量数据的新类别的分割，并引入了类别共享记忆模块和基于不确定性的特征增强模块来提高模型的泛化性能。实验结果表明，我们的方法在广泛使用的 PASCAL-5i 和 COCO-20i 数据集上相比最先进的方法具有卓越的性能。
supervised semantic segmentationfew-shot semantic segmentationclass-shared memoryuncertainty-based feature augmentationmodel generalization
发现论文，激发创造
  • 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

  • 学习元类内存进行少样本语义分割

    本文针对少样本语义分割任务提出一种基于元类记忆的新方法（MM-Net），引入可共享的元类概念（例如某些中间级特征），以显式地学习少样本分割任务中的元类表示，对于 $k$-shot 场景，我们还提出了图像质量测量模块来选择支持图像，最后在 PASCAL-$5^i$ 和 COCO 数据集上验证实验表明我们的方法能够在 1-shot 和 5-shot 设置下均获得最新的最好成绩。特别地，我们的 MM-Net 在 1-shot 设置下在 COCO 数据集上获得 37.5％的 mIoU 分数，比之前的最新成果高出了 5.1％。

    Aug, 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

  • 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

  • 自监督少样本语义分割：一种无需标注的方法

    借鉴谱分解方法，将图像分解问题视为图划分任务，并通过特征亲和力矩阵的拉普拉斯矩阵的特征向量分析来估计感兴趣对象的分布；提出一种新颖的自监督式 FSS 框架，不依赖于任何标注，并通过利用从支持图像获得的特征向量自适应地估计查询掩码，从而消除了手动注释的需求，特别适用于具有有限标注数据的医学图像；引入了多尺度大卷积核注意力模块，进一步提高了对支持图像提供的信息进行查询图像解码的能力，通过选择性地强调相关特征和细节，改善了分割过程并有助于更好的物体勾边；在自然和医学图像数据集上的评估结果展示了我们方法的高效性和有效性。

    Jul, 2023

  • 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

  • 不仅仅是从他人学习，而是依靠自己：对遥感中少样本分割的新视角

    提出了一种名为 DMNet 的双挖掘网络来解决卫星遥感场景中极端类内变化的问题，并通过 Class-public Region Mining 和 Class-specific Region Mining 模块有效地实现语义的挖掘和提取，同时引入 Known-class Meta Suppressor 模块来抑制已知类中的对象激活，实现了在少量样本下对未知类目标的差异化分割。

    Oct, 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

  • 将广义语义知识嵌入到小样本遥感分割中

    通过综合语义嵌入、稀疏支持示例和全局内容调制，我们提出了一种全新的远程感知图像少样本分割方法，该方法在标准少样本分割基准测试中显示出卓越性能，达到了最新的技术水平。

    May, 2024

  • 少样本分割的遮罩跨图像编码

    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