消除少样本分割任务中的特征模糊
本文提出了一种叫做SimPropNet的框架,利用前景背景关注融合机制,同时预测支持和查询掩模,以共享特征信息来填补现有方法在利用相似性信息方面的不足,其在PASCAL-5i数据集上实现了最先进的一次和五次分割结果。
Apr, 2020
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
本文提出了一种密集亲和匹配(DAM)框架, 通过双向3D卷积密集捕捉每个支持-查询对中的像素对像素和像素对补丁关系来利用支持查询交互, 用于分割使用少量注释样本的新颖类别图像。
Jul, 2023
通用关键词: 少样本分割、支持样本、交叉注意、自校准交叉注意、mIoU分数。摘要: 本文提出了一种自校准交叉注意模块来解决几个问题,包括在少样本分割中如何有效利用支持样本、如何融合查询背景特征、以及如何计算相似度。实验证明,该模型在COCO-20i上的5-shot设置下的mIoU分数比之前的最新技术提升了5.6%+
Aug, 2023
跨域少样本分割中的动态自适应细化方法(Dynamically Adaptive Refine, DARNet),包括通道统计扰动和自适应细化自匹配技术,以及测试时的自适应方法(Test-Time Adaptation, TTA),在跨域少样本分割任务中显著超越了现有方法的性能。
Dec, 2023
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
面对与训练领域不同的图像时,少样本分割性能大幅下降,这限制了其在现实世界的应用。本研究通过在传统的分类预训练骨干网络的特征金字塔中附加小型网络实现测试时任务自适应,避免过拟合到有监督微调中的少量标记样本,同时在不使用测试时的其他图像的限制下,在交叉领域少样本分割中取得了新的最先进性能,证明了在这个任务中重新思考方法的必要性。
Feb, 2024
现有的少样本分割方法主要关注原型特征生成和查询-支持匹配机制,本文提出了通用少样本分割方法(UniFSS),结合文本、掩膜、框和图像等多种引导模式,并利用大规模预训练视觉-语言模型,通过高级空间纠正和嵌入交互单元,解决了纯视觉匹配方法在面对类内外观多样性时遇到的语义歧义问题,实验证明UniFSS显著优于现有方法,其中弱注释的类感知框范式甚至超过了精细注释的掩膜范式。
Jul, 2024
本研究解决了现有少样本分割方法在融合支持特征时的复杂度问题,并针对支持遗忘和类内差距进行了优化。提出的混合Mamba网络通过周期性回顾支持特征和限制查询像素之间的相互作用,有效利用支持信息,从而显著提升了分割性能。实验结果表明该方法在两个公共基准测试中的表现优越。
Sep, 2024