- 基于基础模型学习强大的相关性用于弱监督少样本分割
这篇论文介绍了一种针对弱监督少样本分割任务的方法,通过设计一种名为 CORENet 的相关增强网络,使用多信息引导来学习强大的相关性,提供了比现有方法更优秀的性能。
- 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。
- 图像转伪情节:通过无标签数据增强少样本分割
使用未标记数据生成伪序列的一种新方法,可提高少样本分割模型的泛化能力,取得了准确性方面的最新成果。
- CVPR利用 CLIP 重新思考少样本分割的先验信息生成
通过将视觉与文本对齐能力作为先验表示,本研究提出了两种训练无关的先验信息生成策略,以更可靠的指导并增强模型的泛化能力。在 PASCAL-5i 和 COCO-20i 数据集上的实验证明我们的方法在少样本分割任务中取得了明显的改进,并达到了新的 - CVPR遥感领域少样本语义分割的可学习提示
通过使用 SegGPT 作为基础模型,分别为每个新类别使用可学习的提示语进行预测,并通过图像修复任务解决遥感领域中存在的对象大小不一致性和补丁边界的不连续性问题,同时利用图像嵌入的相似性搜索来选择提示语和减少误报预测,实验结果表明我们的方法 - IFSENet:利用稀疏迭代实现交互式少样本分割的卓越性能
IFSENet 是一种结合了 few-shot 分割和交互式分割概念的模型,通过接受点击输入的方式在支持图像和查询图像上生成遮罩,极大地减少了训练新类别分割模型所需的注释工作量。
- MM基于查询引导的原型演化网络用于少样本分割
通过将查询特征整合到前景和背景原型的生成过程中,Query-guided Prototype Evolution Network (QPENet) 提供了与特定查询相适应的定制原型,通过一系列的模块和过程实现了 Few-Shot Segme - 基于 DINOv2 的自监督学习进行少样本医学图像分割
利用 DINOv2 的特征提取能力,我们提出了一种新的方法来进行少样本分割,不仅提高了性能,还为更强大和适应性更强的医学图像分析铺平了道路。
- 调适先于比较:跨域少样本分割的新视角
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 - 通过实例感知的数据增强和局部共识引导的跨注意力机制提升小样本分割
本文通过精细调整预训练的深度分割网络的分类层,提出了一种适应少样本分割任务的改进方法,该方法引入了基于实例感知的数据增强策略和局部一致性引导的交叉注意力机制,通过增加支持集的多样性和改善查询与支持图像之间的一致性,显著提高了标准少样本分割基 - 少样本分割任务中的干扰背景抑制
提出了一种使用有限数量标注的支持图像来准确分割查询图像中新颖目标的少样本分割方法,并通过任务中断性背景抑制 (TBS) 模块来解决支持背景特征的问题,以达到最先进的性能。
- 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。
- DARNet: 动态适应下的跨域少样本分割中填补领域差距
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 - 基于背景聚类的少样本分割预训练
本研究提出了一种新的针对少样本分割的预训练方案,通过将新颖类别与背景解耦来解决合并背景问题,称为背景聚类预训练(BCPT),实验证明 BCPT 在 PASCAL-5i 和 COCO-20i 数据集上获得了先进的性能表现。
- 聚焦查询:用于少样本分割的对抗性挖掘 Transformer
支持信息和查询中心 FSS 模型的对抗挖掘变压器 (AMFormer) 提供了准确的查询图像分割,即使只有粗略的支持指导或弱支持标签,通过优化产生更接近于地面真实的精确掩码来愚弄详细挖掘变压器
- LLaFS: 当大型语言模型遇上小样本分割
LLaFS 是第一个尝试在少样本分割中利用大型语言模型(LLMs)的研究,通过设计输入指令和模拟人类视觉机制提供多模态引导,实现文本感知 LLM 处理图像相关任务,同时通过伪样本合成和课程学习进行数据增强和优化,在多个数据集上取得最先进的结 - 强化学习生成的多光谱少样本分割
使用强化学习和数学表达式的方法,改进在小规模数据集上的多光谱图像分割,提高分割算法的性能。
- 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 - 几何感知的场场变换用于三维语义分割
我们提出了一种新颖的方法,通过利用神经辐射场(NeRFs)从二维监督中进行三维语义分割,通过提取表面点云上的特征,实现了场景的紧凑表示,这种表示对于三维推理而言具有高效的采样并且适于少样本分割。我们的方法不依赖于场景参数化,可以适用于任何类 - 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