关键词few-shot semantic segmentation
搜索结果 - 25
- 标记任何物体:使用视觉提示的多类别少样本语义分割
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。
- 少样本高保真原型的医学图像分割
提出了一种新颖的 Detail Self-refined Prototype Network(DSPNet)用于构建全面表示目标前景和背景的高保真原型,以解决医学图像中具有复杂背景且对象不明显的情况下,已有模型在 few-shot 语义分割 - 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 - 基于记忆引导网络的不确定性特征增强方法在少样本语义分割中的应用
我们提出了一种基于少样本语义分割的方法,利用具有充足数据的基础类别训练的模型进行对只有少量数据的新类别的分割,并引入了类别共享记忆模块和基于不确定性的特征增强模块来提高模型的泛化性能。实验结果表明,我们的方法在广泛使用的 PASCAL-5i - CVPR领域校准适配器用于跨领域少样本分割
在少样本语义分割中,通过使用适配器将不同目标域风格矫正到源域,来提高现有方法在领域转移中的性能。我们提出了一种局部 - 全局样式扰动方法,用于模拟不同潜在目标域,并引入一个循环域对齐模块来有效地校正域。大量的实验证明了我们的方法的有效性,并 - 基于基础模型时代的少样本语义分割新基准
在计算机视觉中,我们比较了四种著名的视觉基础模型(DINO V2,Segment Anything,CLIP,Masked AutoEncoders 和在 COCO 数据集上预训练的 ResNet50),发现 DINO V2 在各种数据集和 - AAAI少样本语义分割相关内在特征增强网络
为了减轻先前方法中语义歧义和类间相似性对像素级前景 - 背景分类准确性的限制,我们提出了 Relevant Intrinsic Feature Enhancement Network (RiFeNet)。通过引入一个无标签分支作为高效的数据 - 基于大视觉模型的自引导远感图像少样本语义分割
本研究介绍了一种用于自动化少样本语义分割的结构化框架,利用 Segment Anything Model(SAM)模型,并借助先前引导的掩模生成粗略像素级提示,以获得更高效的语义可辨别分割结果,实验证明该方法在 DLRSD 数据集上优于其他 - 针对目标的双变压器用于少样本分割
使用少量有标签的支持图像来识别新类别对象的分割,本文提出了 Target-aware Bi-Transformer Network(TBTNet)以等效处理支持图像和查询图像,并设计了强大的 Target-aware Transformer - 自监督少样本语义分割:一种无需标注的方法
借鉴谱分解方法,将图像分解问题视为图划分任务,并通过特征亲和力矩阵的拉普拉斯矩阵的特征向量分析来估计感兴趣对象的分布;提出一种新颖的自监督式 FSS 框架,不依赖于任何标注,并通过利用从支持图像获得的特征向量自适应地估计查询掩码,从而消除了 - DifFSS: 少样本语义分割扩散模型
DifFSS is a novel few-shot semantic segmentation paradigm which leverages the powerful generation ability of diffusion m - CVPR层次化稠密相关蒸馏用于少样本分割 - 报告摘要
本文提出了基于 Hierarchically Decoupled Matching Network (HDMNet) 的 Few-shot 语义分割方法,使用 transformer 架构、自注意力模块和匹配模块来实现级联匹配和关键像素级别 - 无监督增强优化用于小样本医学图像分割
本研究提出了一种在没有人工注释的情况下通过解决部位内相似度和类内相似度之间分配匹配问题来确定最佳数据增强参数的优化框架,进而在医学图像分割中证明了其对于提升 few-shot 模型性能的有效性。
- 少样本语义分割的反射不变性学习
本文提出了一个新的少样本分割框架,通过多视角匹配的方式挖掘反射不变性。通过学习融合具有相同语义的原始和反射支持特征,得到具有更强分类表示能力的反射不变性原型。同时,还提出了反射不变性先验掩码生成模块以集成不同视角的先验知识,并通过反射不变性 - CVPR分层密集相关蒸馏用于小样本分割
本文提出了一种基于 transformer 架构的 Hierarchically Decoupled Matching Network(HDMNet)用于 few-shot 语义分割任务。该网络利用自注意力机制来建立层次化的密集特征并使用匹 - IJCAI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 - 用于小样本语义分割的中间原型挖掘变换器
本研究提出了一种中介原型矿机器 (IPMT) 来学习和挖掘来自查询和支撑图像中的目标,通过迭代学习实现在查询和支撑图像间分类信息并结合中间原型进一步提高分割预测精确性。
- ECCV基于密集交叉查询支持的注意力加权掩码聚合,用于少样本分割
本文提出了基于 DCAMA 和 Transformer 架构的多级像素关联的稠密像素交叉查询和支持关注权重掩模聚合方法,通过完全利用支持图像中的前景和背景信息,显着提高了标准 FSS 基准测试的性能,特别是 1-shot mIoU 方面有了 - CVPR少样本语义分割中的非目标知识学习
本研究提出了一种名为 NTRE 网络的新框架,包含 BG Mining&Eliminating Module 和 DO Eliminating Module,可以显式地挖掘和消除查询中的 BG 和 DO 区域以进行 few-shot 语义分 - CVPR动态原型卷积网络用于小样本语义分割
针对 few-shot 语义分割的挑战,该论文提出了一种基于动态原型卷积网络 (DPCN) 的解决方案,其中动态卷积模块 (DCM) 从支持前景生成动态内核,而支持激活模块 (SAM) 和特征过滤模块 (FFM) 则一起为查询图像提供丰富的