qq_38932073的博客

没有元学习的Few-Shot分割:一个好的转导推理是你所需要的吗? （CVPR2021）本文的从构建推理过程入手，而非对网络结构进行设计，巧妙利用了转导推理实现了超高的性能！文章的方法部分全是数学推导，比较晦涩论文地址开源代码摘要我们表明，在Few-Shot分割任务中执行推理的方式对性能有实质性的影响——这是一个在元学习范式的文献中经常被忽视的方面。我们通过优化三个互补的新损失，利用其未标记像素的统计信息，为给定的查询图像引入一种转换推理：i）标记的支持像素的交叉熵；ii）未标记查询图像像素的后

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

[摘要]：机器学习在数据密集型应用中非常成功，但当数据集很小时，它常常受到阻碍。为了解决这一问题，近年来提出了小样本学习(FSL)。利用先验知识，FSL可以快速地泛化到只包含少量有监督信息的样本的新任务中。在这篇论文中，我们进行了一个彻底的调研，以充分了解FSL。从FSL的正式定义出发，我们将FSL与几个相关的机器学习问题区分开来。然后指出了FSL的核心问题是经验风险最小化是不可靠的。基于先验知识如何处理这一核心问题，我们从三个角度对FSL方法进行了分类:（i）数据，它使用先验知识来增加监督经验（ii