【小样本分割论文】顶会链接及FSS论文

已于 2023-09-03 14:16:47 修改
阅读量254 收藏 3
点赞数 1
分类专栏： 小样本分割 文章标签： 人工智能 深度学习 计算机视觉 论文阅读
于 2023-03-31 12:48:10 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/GinPd/article/details/129877340
版权

2023 小样本分割

AAAI 2023:

ACMMM 2023

CVPR 2023：

HDMNet: Hierarchical Dense Correlation Distillation for Few-Shot Segmentation | 代码

ICCV 2023：

ICLR 2023: https://openreview.net/group?id=ICLR.cc/2023/Conference

TMM 2023: https://ieeexplore.ieee.org/xpl/tocresult.jsp?isnumber=4456689&sortType=vol-only-newest&pageNumber=1

FECANet: Boosting Few-Shot Semantic Segmentation with Feature-Enhanced Context-Aware Network | 代码

WACV 2023: https://openaccess.thecvf.com/WACV2023

BAM++: Elimination of Non-Novel Segments at Multi-Scale for Few-Shot Segmentation述

GinPd
关注
专栏目录
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
【AI简报20210827期】AI芯片逐步落地智能教育硬件市场！用AI设计芯片会成为未来趋势吗？...
rtthreadiotos的博客
08-27 903
嵌入式AI硬件1. 集成全球最大AI芯片，Cerebras发布全球首个人类大脑规模的AI解决方案原文：https://new.qq.com/omn/20210826/20210826A06...
【论文速递】ICCV2019 - 基于特征加权和增强的小样本分割
智慧地球（AI·Earth）
02-06 356
本文研究了图像中前景对象的小样本分割。我们在训练图像的小子集上训练CNN，每个子集都模仿few-shot设置。在每个子集中，一张图像作为查询图像，另一张图像作为支持图像，并进行基本真理分割。CNN首先从查询和支持图像中提取特征图。然后，一个类特征向量被计算为支持的特征映射在已知前景的平均值。最后，利用类特征向量与查询的特征映射之间的余弦相似度在查询图像中分割目标对象。我们通过以下两个方面做出了贡献:(1)提高特征的鉴别性，使其激活在前景上高而在其他地方低;
重磅！我整理了近3年的86篇顶会语义分割论文
3D视觉工坊
06-26 198
语义分割技术在众多领域得到应用，包括：环境感知、自动驾驶，机器人导航等。随着计算机视觉领域的不断发展，语义分割技术成为从事相关学习和研究人员需要了解和掌握的技能。这次我邀请了上市公司高级算法工程师——张老师，用1个小时带大家一起去探索语义分割，此次直播课内容包括Vision Transformer、SegFormer、TopFormer讲解。预约课程前，我还整理了2021-2023年CVPR/IC...
【论文速递】WACV2022 - 基于小样本分割的多尺度Non-Novel片段消除方法
智慧地球（AI·Earth）
01-20 1706
小样本分割的目的是设计一个泛化模型，在训练过程中，在少数支持图像的指导下，将查询图像从未见的类中分割出来，这些支持图像的类与查询的类一致。在以往的研究中，存在着两个领域特有的问题，即空间不一致性和对可见类的偏向。考虑到前一个问题，我们的方法在多尺度上比较支持特征图和查询特征图，使其成为尺度不可知的。为了解决后一个问题，在可用的类上训练一个监督模型，称为基础学习器，以准确地识别属于所见类的像素。因此，后续元学习器有机会在集成学习模型的帮助下丢弃属于已见类的区域，该集成学习模型协调元学习器和基础学习器。
以CVPR2023的半监督语义分割工作UniMatch为例，聊聊一篇顶会论文的idea是如何获得并实现大幅超越以往方法的性能！
专注计算机视觉全栈知识分享
04-22 2012
在本工作中，我们展示了FixMatch迁移到半监督语义分割任务中的有效性。我们通过消融实验验证了强扰动的重要性，并进一步通过特征强扰动扩展了FixMatch的扰动空间，以及通过双路强扰动来更充分地探索原扰动空间。所提方法十分简单有效，在自然图像、遥感影像变化检测以及医学图像分割中都取得了最优的性能。此外，我们也有另外几个半监督语义分割相关的工作被CVPR[Paper][Code][Paper][Code][Paper][Code]
《Learning to remember rare events》FSS论文笔记(属于external memory)
weixin_53356651的博客
01-04 342
《Learning to remember rare events》FSS论文笔记(属于external memory)
【论文速览_01】Awesome Few Shot Segmentation论文
qq_41234663的博客
02-02 1032
少样本分割论文总结
CVPR2023
热门推荐
weixin_62501745的博客
04-11 1万+
CVPR2023
[小样本分割] Few Shot Medical Image Segmentation with Cross Attention Transformer
weixin_44832243的博客
05-16 2791
在深度学习医学图像分割领域，训练一个性能强，可以大规模部署落地的模型，往往需要大量手动标注的数据进行监督训练，其中花费的成本是非常高的。为了解决这一挑战，少样本学习（few-shot）技术有潜力从有限的几个sample中学习新类别的能力。本文提出了一种基于交叉掩码注意力的少样本医学图像分割新框架CAT-Net：通过挖掘support和query图像之间的相关性，并限制模型仅关注有用的前景信息，来提高support和query特征的表达能力。同时，本文还进一步设计了一个迭代细化训练框架来优化查询。
2020-2023小样本学习（FSL）顶会论文及开源代码合集（已分类整理）
学姐带你玩AI的博客
09-19 3100
本文通过设置三个跨域任务来推动组织病理图像的小样本学习研究，模拟实际临床问题。为实现高效标注和更好的泛化能力，作者提出结合对比学习和潜在增强来构建小样本系统。对比学习可以在无手动标注下学习有用表示，而潜在增强以非监督方式传递基数据集的语义变化。这两者可充分利用无标注训练数据，可扩展到其他数据饥渴问题。
论文解读：Label Hallucination for Few-Shot Classification
最新发布
weixin_50917576的博客
04-26 841
尽管新类的标签并不能“恰如其分”地表示基数据集中的样本，但是很多基数据集的样本会包含与新类中相似的对象，例如，基数据集中的老虎和新类中的猫有相似的特征，那么就有60%的概率将老虎打上猫的标签；或者基数据集中的图片与新类中的图片有背景相似，比如“car”和“pedestrians”即车和行人的背景可能都是街道，那么打完伪标签后，两幅图的标签很有可能相同。而我们通过伪标签数据集来微调整个模型，训练网络识别基数据集上的这些相似特性或背景线索，从而将representation转向对新类识别有用的特征。
【计算机视觉 | 目标检测】arxiv 计算机视觉关于目标检测的学术速递（6月 28 日论文合集）
wzk4869的博客
06-30 484
【计算机视觉 | 目标检测】arxiv 计算机视觉关于目标检测的学术速递（6月 28 日论文合集）
论文精读《Hierarchical Attention Prototypical Networks for Few-Shot Text Classification》
Summerendha的博客
11-12 818
为了解决few-shot learning中易受噪声实例影响这一问题（由于任务的背景是在few-shot学习中，用来计算类原形的样本数量往往很少。如果出现错误实例或者是和常规句子语义偏差较大的正确实例的话，对于类原形的影响是非常的巨大。初始原型网络加入attention、attention加入，引入加权平均的思想，降噪突出了少量数据的重要信息，学习了更具辨别力的原型表示。
小样本分割 高斯过程
轻舟已过万重山
01-21 195
Johnander, J., Edstedt, J., Felsberg, M., Khan, F.S., Danelljan, M. (2022). Dense Gaussian Processes for Few-Shot Segmentation. In: Avidan, S., Brostow, G., Cissé, M., Farinella, G.M., Hassner, T. (eds) Computer Vision – ECCV 2022. ECCV 2022.Few-shot segme
#今日论文推荐# CVPR 2022丨学习用于小样本语义分割的非目标知识
w1hsxn的博客
07-08 752
团队从新视角解决了小样本语义分割的问题，并提出了全新的NTRE框架来关注BG和DO区域。
小样本语义分割论文及开源代码集合
qq_38932073的博客
04-10 2796
主要是自然图像上的小样本分割，医学图像上的将另开一帖。 本文持续更新中！ One-Shot Learning for Semantic Segmentation（BMVC2017） 开源代码 CANet: Class-agnostic segmentation networks with iterative refinement and attentive few-shot learning（CVPR2019） 开源代码 Pyramid Graph Networks with Connection Atte
[小样本分割]论文解读Prior Guided Feature Enrichment Network for Few-Shot Segmentation
m0_46378271的博客
05-26 2067
论文：Prior Guided Feature Enrichment Network for Few-Shot Segmentation (arxiv.org) Code：PFENet Abstract 最先进的sota语义分割方法需要足够的标记数据才能获得好的结果，如果不进行微调，很难处理看不见的类。因此，小样本分割被提出来学习一个仅通过少量样本就能快速适应新类别的模型。由于对训练类别高级语义信息的不当使用以及查询和支持目标之间的空间不一致，这些框架仍然面临着对不可见类泛化能力降低的挑战。为了缓解这些问题
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值