Sep, 2024

MSDNet：基于变换器引导原型的少样本语义分割多尺度解码器

HTML
PDF
TL;DR本研究解决了在仅有少量标注样本下进行少样本语义分割时的局部语义特征丢失和计算复杂度高的问题。提出了一种基于变换器架构的新框架，利用空间变换解码器和上下文掩码生成模块来增强支持图像与查询图像之间的关系理解，同时通过多尺度解码器优化分割掩码。研究表明，该方法在分析PASCAL-5^i和COCO-20^i基准数据集时显示出卓越的性能和效率平衡。
发现论文，激发创造
  • 从序列到序列的角度重新思考使用Transformers进行语义分割

    本文提出了一种新的语义分割方法，使用纯Transformer编码图像为序列的方式，通过全局上下文模型和一个简单的解码器生成强大的分割模型，称为SETR，取得多项最新的测试结果。

    Dec, 2020

  • 语义分割的Transformer分割器

    本文提出了Segmenter，一种用于语义分割的Transformer模型，利用一种点刀线性解码器或一个mask transformer解码器将图像分割为不同的类别，通过对模型参数的分析，表明Segmenter在ADE20K和Pascal Context数据集上具有良好的性能。

    May, 2021

  • 循环一致变换器的小样本分割

    该研究提出了一种新的循环一致Transformer（CyCTR）模块，通过交叉注意支持和查询图像的特征，聚合像素级支持特征到查询特征中，并使用循环一致的注意机制过滤可能有害的支持特征，最终在所有few-shot分割基准测试中实现了显着的改进。

    Jun, 2021

  • 利用Transformer提升Few-shot语义分割

    本文提出了一种基于TRansformer网络的Few-shot语义分割方法（TRFS），它采用全局增强模块（GEM）和局部增强模块（LEM）相结合的方法，可以在PASCAL-5i和COCO数据集上取得新的最优表现。

    Aug, 2021

  • 简单即美好：利用分类器权重变换进行小样本语义分割

    研究了在只提供极少量的图像支持集的情况下，如何用预训练好的编码器和解码器结合分类器元学习来执行语义分割。

    Aug, 2021

  • 基于最优传输匹配和消息流的少样本分割

    本文提出了一种支持信息相互利用、弥补之前模型的不足之处的少样本分割算法。通过建立图像间的对应关系和信息传播机制，实现对支持图像的多方面信息的全面利用，达到了最新的相对优良的分割效果。

    Aug, 2021

  • SeMask: 用于语义分割的语义掩蔽变形器

    本文提出了SeMask框架，将语义信息嵌入预训练分层Transformer模块的编码器中以提高模型性能，并使用轻量级语义解码器进行训练。实验结果表明，嵌入语义先验可以显著提高模型效果，并且与Swin Transformer和Mix Transformer等模型相结合，达到了58.25％的mIoU表现。

    Dec, 2021

  • 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

  • 简洁高性能的纯视觉变换语义分割

    通过对简单的Vision Transformer（ViT）模型进行高性能的分割实验，本文提出了PlainSeg和PlainSeg-Hier两种简洁高效的模型，包括了最后一个特征图的3x3卷积和Transformer编码器或解码器，并结合了高分辨率特征和更大的学习率，实验证明这些模型在语义分割中具有高性能和高效率，是评估基础模型转移能力的有力工具。

    Oct, 2023

  • SED: 开放词汇语义分割的简单编码器-解码器

    我们提出了一种名为SED的简单的编码器-解码器模型用于开放词汇语义分割任务，该模型通过分层背骨和渐进融合解码器实现像素级图像分割，同时引入了类别早期拒绝机制以加快推理速度，实验证明该方法在多个数据集上的性能表现良好

    Nov, 2023