Jul, 2024

标记任何物体：使用视觉提示的多类别少样本语义分割

PDF
TL;DR通过引入多样的视觉提示，Label Anything 是一种为少样本语义分割设计的创新神经网络架构，可跨多类别实现显着的泛化能力，从而提高了框架的适应性和灵活性。
few-shot semantic segmentationlabel anythingneural network architectureversatility and adaptabilitymulti-class fss scenarios
发现论文，激发创造
  • Segment Anything 是一个弱监督语义分割的良好伪标签生成器

    本研究旨在探讨通过利用弱标签作为暗示来生成准确的分割掩码，并将其作为趋近于真实标签的伪标签来训练分割网络中的潜力。在 PASCAL VOC 2012 数据集上的实验证明了 segment-anything 可以作为良好的伪标签生成器。

    May, 2023

  • 通过 Segment Anything 模型增强少样本语义分割

    通过提出 FSS-SAM 方法，利用语义分割和预测结果选择算法，提高少样本学习中的语义分割任务的准确性。

    Jan, 2024

  • 具有通用性的视觉增强学习与分割模型

    SAM-G 通过利用 Segment Anything Model (SAM) 的分割能力，结合 DINOv2 和 SAM 的图像特征，为视觉强化学习代理提供高质量的遮罩图像，显著改善了视觉泛化能力，并在 DMControl 和 Adroit 任务中相对于现有方法分别实现了 44% 和 29% 的改进。

    Dec, 2023

  • 非可见光谱影像应用的片段任意模型性能评估与变分提示

    Segment Anything Model (SAM) 通过使用不同的输入提示（如文本、边界框、点或掩膜）生成掩膜，克服了特定数据集稀缺性的约束，评估了 SAM 在 X 射线 / 红外模态中分割感兴趣对象的能力，结果表明 SAM 在给定盒子提示时可以分割 X 射线模态中的对象，但对于点提示而言，表现不稳定，特别是在分割细长物体和有机材料方面，SAM 的性能较差，这表明在考虑在 X 射线 / 红外图像上使用 SAM 时需要特别考虑跨模态泛化的问题。

    Apr, 2024

  • FSS-1000: 用于少样本分割的 1000 类数据集

    本文讨论了有限样本下的目标分割，并提出了可以通过少量的像素级别注释来训练模型的 FSS-1000 数据集以及使用标准骨干网络如 VGG-16，ResNet-101 和 Inception 进行训练该模型，结果表明其训练结果甚至比使用 ImageNet 进行预训练的模型更好。

    Jul, 2019

  • 来自图像标签文本的迭代式少样本语义分割

    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

  • APSeg：面向跨领域少样本语义分割的自动提示网络

    引入了一种新型的自动提示网络（APSeg）用于跨领域的少样本语义分割（CD-FSS），其中采用了 Dual Prototype Anchor Transformation（DPAT）模块从伪查询原型和支持原型中融合特征，实现了对跨领域分割的自动引导。该模型在四个跨领域数据集上的实验证明，在 1-shot 和 5-shot 设置中相对于现有的 CD-FSS 方法，模型的平均准确率分别提高了 5.24% 和 3.10%。

    Jun, 2024

  • 一物一击：一种自我训练的弱监督 3D 语义分割方法

    使用极其稀疏的标注数据，我们设计了一种自学习方法，其中迭代地进行训练和标注传播，利用了关系网络来生成类别原型并显式地建模了图形节点之间的相似性，通过大量的实验证明，我们的方法在点云语义分割任务中表现优于现有所有弱监督方法，并且结果也可以与完全监督的对比实验相媲美。

    Apr, 2021

  • 医学影像分割模型：实验研究

    本文对 Segment Anything Model 在医学图像中的效果进行了评估，结果表明性能受任务和数据集影响较大，需要进一步研究来适应医学图像领域。

    Apr, 2023

  • 基于提示的免训练物体计数

    本文提出了一种基于分割思想的无需训练数据的物体计数方法，该方法避免了传统依赖昂贵标注数据的物体计数问题，所提出的先验引导掩码产生方法为计数精度提供了帮助，同时还可以应用于任意形状物体的计数.

    Jun, 2023