小样本图像分割
文章平均质量分 93
XL_Dylan
这个作者很懒,什么都没留下…
展开
-
[小样本语义分割]Few-Shot Segmentation via Cycle-Consistent Transformer
基于循环一致Transformer的Few-Shot分割论文地址摘要Few Shot分割的目的是训练一种能够快速适应样本较少的新类别的分割模型。传统的训练范式是促使模型学习根据支持图像的特征对查询图像进行预测的能力。以前的方法通常只利用支持图像的语义级原型作为条件信息,但这些方法不能利用所有像素级支持信息来进行查询预测,而这对于分割任务通常是非常重要的。在本文中,我们着重于利用支持图像和查询图像之间的像素级关系来促进Few-Shot语义分割任务。我们设计了一个新颖的循环一致Transformer模块(原创 2021-06-30 10:54:56 · 3616 阅读 · 7 评论 -
[小样本图像分割]SCNet: Enhancing Few-Shot Semantic Segmentation by Self-Contrastive Background Prototypes
SCNet:通过自我对比的背景原型增强Few-Shot语义分割论文地址摘要大多数先进小样本分割都利用了度量学习框架,该框架通过将每个像素与学习到的前景原型进行匹配来进行分割。然而,只使用前景原型会导致分类偏倚。为了解决这一问题,本文在Few-Shot语义分割中引入了一种互补的自对比任务。我们的新模型能够关联每一个区域上的原型,无论这个区域是属于前景还是背景。为此,我们直接从查询图像中生成自我对比的背景原型,利用该原型构建完整的样本对,从而实现互补和辅助的分割任务,以实现更好的分割模型的训练。存在的问原创 2021-04-20 19:30:27 · 1320 阅读 · 0 评论 -
[小样本图像分割]Deep Gaussian Processes for Few-Shot Segmentation
深度高斯过程的Few-Shot分割论文地址阅读本文需要一定的统计知识!摘要一种常见的小样本分割方法是用一个原型为每个类建模。虽然这些方法概念简单,但当目标外观分布在特征空间中是多模态或不是线性可分时,这些方法就会受到影响。为了解决这一问题,我们提出了一种基于高斯过程(GP)回归的few-shot学习公式。通过GP的表达能力,我们的方法能够对分布在深层特征空间上的复杂外观进行建模。GP提供了一种捕捉不确定性的原则性方法,这是CNN解码器获得的最终分割的另一个强大线索。我们进一步利用我们方法的端到端学原创 2021-04-17 20:22:41 · 1392 阅读 · 2 评论 -
[小样本分割]Few-Shot Segmentation Without Meta-Learning: A Good Transductive Inference Is All You Need?
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原创 2021-04-13 15:32:45 · 1560 阅读 · 0 评论 -
[小样本图像分割]CONDITIONAL NETWORKS FOR FEW-SHOT SEMANTIC SEGMENTATION
用于Few-Shot语义分割的条件网络(ICLR2018 WorkShop)本文作为一个WorkShop,主要是阐述了小样本分割对于稀疏标签的鲁棒性,说明使用稀疏标签来指导小样本分割也是可行的。论文地址摘要该网络通过对一个标注的图像支持集进行特征融合来对一个未标注的查询图像进行推理。一旦学会了,我们的条件方法就不需要进一步优化新的数据。注释在一次向前传递中是有条件的,使我们的方法适合交互式使用。我们通过密集和稀疏标注来评估我们的co-FCN,即使只给出一个正像素和一个负像素,也能达到具有竞争力的精度原创 2021-04-12 10:08:50 · 950 阅读 · 0 评论 -
[小样本图像分割]Few-Shot Semantic Segmentation with Prototype Learning
Few-Shot Semantic Segmentation with Prototype Learning(BMVC2018)本文是后面很多小样本图像分割的框架的基础,也就是使用原型进行密集匹配的思想。论文地址摘要语义分割为每个图像像素分配一个类标签。这种密集的预测问题需要大量的手动注释数据,而这些数据往往不可用。Few-Shot学习的目的是学习一个只有几个带标签样本的新类别。在本文中,我们将Few-Shot语义分割问题从one-way(一类)发展到n-way(n类)。受Few-Shot分类的启发原创 2021-04-11 21:44:52 · 3013 阅读 · 0 评论 -
小样本语义分割论文及开源代码集合
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原创 2021-04-10 11:01:06 · 2714 阅读 · 0 评论 -
[小样本图像分割]Adaptive Prototype Learning and Allocation for Few-Shot Segmentation
自适应原型学习和分配的Few-Shot分割(CVPR2021)论文地址开源代码摘要Few-Shot分割大多使用原型学习的思想,通常通过对全局对象信息的平均来从支持特征中获得单个原型。然而,使用单个原型来表示所有的信息可能会导致歧义。本文提出了超像素引导聚类(SGC)和引导原型分配(GPA)两个模块,用于多原型的提取和分配。具体来说,SGC是一种无参数、无训练的方法,它通过聚集相似的特征向量来提取更有代表性的原型,而GPA能够选择匹配的原型,提供更准确的指导。通过整合SGC和GPA,我们提出了自适应超原创 2021-04-09 15:13:04 · 2688 阅读 · 3 评论 -
[小样本图像分割]Part-aware Prototype Network for Few-shot Semantic Segmentation
面向Few-Shot语义分割的部分感知原型网络(ECCV2020)论文地址开源代码摘要现有的方法大多集中在one-way Few-Shot分割的限制性设置上,或者存在目标区域不完全覆盖的问题。本文提出了一种基于原型表示的Few-Shot语义分割框架。我们的关键思想是将整体的类表示分解为一组部分感知原型,能够捕获多样化和细粒度的对象特征。此外,我们提出利用未标记的数据来丰富我们的部分感知原型,从而更好地建模语义对象的类内变量。我们开发了一个新的图神经网络模型,以生成和增强提出的基于标记和未标记图像的部原创 2021-04-08 16:19:54 · 1690 阅读 · 0 评论 -
[小样本图像分割]Mining Latent Classes for Few-shot Segmentation
挖掘潜在类以实现Few-Shot分割论文地址这篇文章读起来有点抽象,还是以原文为主。摘要Few-Shot分割(FSS)的目的是在只给出少量标注样本的情况下分割未见类。现有的方法存在特征破坏的问题,即在训练阶段将潜在的新类作为背景。我们的方法旨在缓解这一问题,并增强潜在新类的特征嵌入。我们提出了一种新的联合训练框架,在传统的支持查询对的训练过程基础上,我们引入了一个额外的挖掘分支,通过可转移的子簇(transferable sub-clusters)来挖掘潜在的新类,并在背景和前景类别上引入了一种新的原创 2021-04-06 15:28:17 · 2409 阅读 · 2 评论 -
[小样本图像分割]Self-Guided and Cross-Guided Learning for Few-Shot Segmentation
用于 Few Shot 分割的自引导和交叉引导学习摘要Few Shot Segmentation由于能够有效地分割少量带注释样本的未见对象类而备受关注。现有的方法大多使用掩码全局平均池化(GAP)将带注释的支持图像编码为特征向量,以方便查询图像分割。然而,由于平均操作,这一操作不可避免地丢失了一些判别信息。在本文中,我们提出了一种简单但有效的自我引导学习方法,其中丢失的关键信息被挖掘。具体来说,通过对标注的支持图像进行初始预测,将覆盖和未覆盖的前景区域分别用masked GAP转换成主支持向量和辅助支持原创 2021-04-05 11:17:28 · 2095 阅读 · 1 评论 -
小样本图像分割数据集
这里主要介绍两种在小样本图像分割中使用的数据集,分别是PASCAL−5iPASCAL-5^iPASCAL−5i和COCO−20iCOCO-20^iCOCO−20i,主要是对PASCAL和COCO做了一定的修改让它们更适用于小样本图像分割,SDS主要用于扩展PASCAL的标注。PASCAL−5iPASCAL-5^iPASCAL−5i出自OSLSM,COCO−20iCOCO-20^iCOCO−20i出自CANetPASCAL−5iPASCAL-5^iPASCAL−5iPASCAL−5iPASCAL-5^i原创 2021-04-05 11:12:43 · 2840 阅读 · 10 评论 -
[小样本图像分割]SG-One: Similarity Guidance Network for One-Shot Semantic Segmentation
SG-One:用于一次性语义分割的相似引导网络(IEEE Transactions on Cybernetics 2020)这篇文章提到的Masked Global Average Pooling比较重要,后面的很多小样本分割文章都有用到,甚至是作为融合支持图像与其标注的标配!论文地址摘要在这篇文章中,主要提出了一个简单而有效的相似性引导网络来解决One-Shot分割问题。我们的目的是通过和查询图像同一类别的一个带有密集标记的支持图像来预测一个查询图像的分割掩码。为了获得支持图像的鲁棒代表特征,我们原创 2021-03-31 09:33:24 · 2656 阅读 · 0 评论 -
[小样本图像分割]CRNet: Cross-Reference Networks for Few-Shot Segmentation
用于Few-Shot分割的交叉参考网络(CVPR2020)论文地址摘要本文提出了一种用于Few-Shot分割的交叉参考网络。不同于以往只预测查询图像中的掩码,我们提出的模型同时对支持图像和查询图像进行预测。通过交叉参考机制,我们的网络可以更好地找到两幅图像中协同出现的对象,从而帮助Few-Shot分割。我们还开发了一个掩码细化模块来对前景区域的预测进行循环细化。对于K-Shot学习,我们建议对网络的部分进行微调,以利用多个带标记的支持图像。存在的问题及解决方案过往的大多数工作将Few-Shot分割原创 2021-03-28 16:06:55 · 1528 阅读 · 9 评论 -
[小样本图像分割]CANet: ClassAgnostic Segmentation Networks with Iterative Refinement and Attentive....
CANet:一种具有迭代优化和注意力机制的类未知的Few-Shot分割 (CVPR2019)论文地址开源代码摘要CANet,一种类未知的分割网络,它可以在只有少量标注图像可用的新类上执行Few-Shot分割。该网络由两个分支密集比较模块和一个迭代优化模块组成,该模块对支持图像和查询图像进行多层次特征比较,并对预测结果进行迭代优化。此外,我们还引入了一种注意机制,在K-Shot下,有效地融合来自多个支持样本的信息。存在的问题及解决方案CANet包含一个双分支密集比较模块,它们共用同一个特征提取器来原创 2021-03-28 09:50:10 · 1614 阅读 · 2 评论 -
[小样本图像分割]Prior Guided Feature Enrichment Network for Few-Shot Segmentation
用于图像分割的先验引导特征增强网络(PFENet)论文地址Github开源代码目前存在的问题:现有的Few-Shot Segmentation方法普遍存在的问题包括高级特征的误用导致的泛化损失以及查询样本和支持样本之间的空间不一致。本文贡献:(1)一种无需训练的先验掩模生成方法,不仅保留了模型的泛化能力,而且提高了模型的性能。(2)特征增强模块,一种使用支持特征(support feature)和先验掩码(prior mask)来自适应增强查询特征(query feature)以克服空间不连续原创 2021-03-20 16:28:11 · 4253 阅读 · 0 评论 -
[小样本图像分割]One-Shot Learning for Semantic Segmentation(OSLSM)
用于图像分割的单样本学习(OSLSM)本文算是小样本学习的经典之作,虽然以现在的角度来看比较粗糙,但仍然值得学习!论文地址开源代码概述本文从few shot学习中得到启发,提出了一种新的双分支的一次性语义图像分割方法。第一个分支将标记的图像作为输入,并生成参数向量作为输出。第二个分支接受这些参数和一个新图像作为输入,并为新类生成图像的分割掩码作为输出。本文贡献:1)提出了一种新的单样本分割技术,该技术在快速分割的同时优于基线;2)该技术可以在不为新类添加弱标签的情况下做到这一点;3)即使只有原创 2021-03-21 19:04:23 · 2695 阅读 · 0 评论 -
[小样本图像分割]PANet: Few-Shot Image Semantic Segmentation with Prototype Alignment
PANet:基于原型对齐的Few Shot图像语义分割(ICCV19)摘要本文从度量学习的角度来解决Few Shot Segmentation问题,提出一种新的原型对齐网络来更好地利用支持集信息。PANet从嵌入空间内的一些支持图像中学习特定类的原型表示,然后通过将每个像素与学习到的原型进行匹配,对查询图像进行分割。 通过非参数度量学习,PANet提供了代表每个语义类的高质量原型,这些原型同时还存在对不同类的判别信息。此外,PANet还引入了一种支持和查询之间的原型对齐正则化。在此基础上,PANet充分原创 2021-03-26 09:36:18 · 4699 阅读 · 10 评论