Jul, 2024

超越掩模：重思少样本分割中的引导类型

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • SimPropNet:改进的少样本图像分割相似性传播

    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

  • 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

  • 少样本语义分割: 方法学综述与挑战

    本篇论文对语义分割中的Few-Shot Learning进行了概述，提出了新的分类法，并描述了当前的局限性和展望。

    Apr, 2023

  • 基于视觉和文本先验的蒙版组装用于少样本分割及更多应用

    通过集成CLIP模型，我们提出了一种视觉和文本先验引导的掩膜组装网络(PGMA-Net)，以解决现有基于CLIP的少样本分割方法对基准类别的偏见预测问题，并取得了最新的研究成果。

    Aug, 2023

  • 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

  • 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

  • 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

  • 消除少样本分割任务中的特征模糊

    本文介绍了一种新型插件AENet，可以增强已有基于交叉注意力的few-shot分割方法的性能，通过挖掘区分性查询前景区域来矫正模棱两可的前景特征，增加前景信息的比例，从而抑制杂质背景特征的负面影响，自然增强了前景-前景匹配的准确性。

    Jul, 2024

  • 基于基础模型的高性能小样本分割：实证研究

    本研究针对现有小样本分割方法受限于分类任务预训练模型的性能问题，提出了一种基于基础模型的小样本分割框架。通过从基础模型中提取隐含知识并构建粗略对应关系，并引入轻量解码器进行精细分割，实验证明该方法在COCO-20i数据集上超越了之前的最佳方法17.5%。

    Sep, 2024