AAAI 2024 | 通过有效知识转移增强广义少样本语义分割

最新推荐文章于 2025-05-19 22:24:13 发布
最新推荐文章于 2025-05-19 22:24:13 发布
阅读量65 收藏
点赞数
分类专栏： 计算机顶会顶刊论文解读 文章标签： 计算机顶会 论文解读 AAAI 深度学习
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/qq_42722197/article/details/145076958
版权

论文信息

题目：Enhancing Generalized Few-Shot Semantic Segmentation via Effective Knowledge Transfer
通过有效知识转移增强广义少样本语义分割
作者：Xinyue Chen, Miaojing Shi, Zijian Zhou, Lianghua He, Sophia Tsoka
源码：https://github.com/HHHHedy/GFSS-EKT

论文创新点

  1. 新类原型调制模块（NPM）：该模块通过交叉注意力机制捕捉基类和新类原型之间的相关性，重构新类原型，从而弥补新类样本的知识不足。
  2. 新类分类器校准模块（NCC）：该模块通过
了解本专栏 订阅专栏 解锁全文
【AAAI2025】探索领域广义语义分割的语义一致性和风格多样性
Edward的博客
01-23 122
本文提出了SCSD框架，旨在解决域泛化语义分割中现有方法的局限性。通过引入语义查询增强器（SQB）、文本驱动风格变换模块（TDST）和风格协同优化机制（SSO），充分利用图像与文本模态间的语义一致性以及文本模态的风格多样性。在多个基准数据集上进行的广泛实验表明，SCSD在单源、多源和不利条件设置下均显著优于现有方法，展现出强大的泛化能力，为域泛化语义分割研究提供了新的思路和方法。
AAAI 2025 | GFSS-EKT：有效知识迁移提升广义小样本语义分割
阿木寺的博客
12-25 933
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【Mamba和分割】交流群添加微信：CVer2233，助手会拉你进群！扫描下方二维码，加入CVer学术星球！可获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文/搞科研/涨薪必备！转载自：SCS计算机视觉专委会通过有效知识迁移提升广义少样本语义分割陈欣钥1，史淼晶2，周子键1，何良华2...
AAAI 2024 | ZoRI: 面向判别性零样本遥感实例分割
小白学视觉
03-30 45
遥感中的实例分割算法通常基于传统方法，限制了其在已知场景和封闭集预测中的应用。在这项工作中，作者提出了一个新的任务，称为零样本遥感实例分割，旨在识别训练数据中不存在的航空物体。分类航空类别时面临高类间相似性和类内方差等挑战。此外，视觉-语言模型预训练数据集与遥感数据集之间的领域差距，阻碍了预训练模型在直接应用于遥感图像时的零样本能力。为了解决这些挑战，作者提出了一个名为ZoRI的零样本遥感实例分割框架。该框架的特点是使用经过细化的文本嵌入来增强类别差异的判别性分类器。
AAAI 2024 | 基于多粒度线索的动态量化：图像超分辨率中的粒度思考
小白学视觉
04-03 23
动态量化在图像超分辨率（SR）中引起了越来越多的关注，因为它能够在保持竞争力的性能的同时，将重型SR模型的潜力扩展到移动设备上。现有的方法探索了基于不同局部区域的层到比特配置，自适应地为每个层和图像块分配比特。尽管有这些优点，它们仍然在SR精度和量化效率之间的权衡上存在不足。此外，为每个层单独调整量化级别可能会扰乱原始的层间关系，从而降低量化模型的表示能力。在本文中，作者提出了Granular-DQ，该方法利用图像的固有特性，同时摒弃了之前对层敏感性的考虑。
（AAAI，2025）ZoRI：面向判别性零样本遥感实例分割
lalula的博客
02-11 756
在零样本遥感实例分割（ZSRI）中，存在NNN个类别，分为两组，NsN^{s}Ns个已见类别表示为CsC^{s}CsNuN^{u}Nu个未见类别表示为CuC^{u}Cu，其中Cs∩Cu∅Cs∩Cu∅且NsNuNNsNuN，这里Csc1sc2scNssCsc1s​c2s​cNss​Cuc1uc2ucNuuCuc1u​c2u​cN。
【损失函数合集】超详细的语义分割中的Loss大盘点
I good vegetable a!
01-18 7219
前言 前两天介绍了一下Contrastive Loss，Triplet Loss以及Center Loss。今天正好是周六，时间充分一点我就来大概盘点一下语义分割的常见Loss，希望能为大家训练语义分割网络的时候提供一些关于Loss方面的知识。此文只为抛转引玉，一些Loss笔者暂时也没有进行试验，之后做了实验有了实验结果会继续更新。 交叉熵Loss L=−∑c=1Myclog(pc)L=-\sum...
工业质检/缺陷检测领域最新顶会期刊论文收集整理 | AAAI 2025【持续更新中】
unique_zhao的博客
05-06 1073
第三十九届美国人工智能协会（AAAI）人工智能大会于2025年2月25日至3月4日在宾夕法尼亚州费城举行。程序委员会主席为Julie Shah（美国麻省理工学院）和Zico Kolter（美国卡内基梅隆大学）。本次会议的范围涵盖机器学习、自然语言处理、计算机视觉、数据挖掘、多智能体系统、知识表示、人机协作人工智能、搜索、规划、推理、机器人与感知，以及伦理道德。除了专注于上述任一领域的基础研究工作外，AAAI - 25还鼓励开展跨人工智能技术领域的研究（例如，机器学习与计算机视觉；计算机视觉与自然语言处理。
2024年顶会SNN相关论文
热门推荐
lanpeople的博客
12-23 1万+
2024年脉冲神经网络（Spiking Neural Network，SNN）相关论文
基于LSTM-GARCH混合模型的黄金价格波动率预测：信用降级事件冲击评估
05-19 801
本文基于多模态数据融合与因果推理框架，本文构建黄金价格驱动因子图谱，揭示主权信用评级调整、地缘风险与货币政策预期的交互作用机制。5月19日亚市收盘，现货黄金突破3245美元/盎司关键阻力位，日内波幅达1.4%，技术面呈现典型的动量突破形态，但需警惕3250美元区域的多空博弈风险。
YOLOv7训练时4个类别只出2个类别
qq_48873240的博客
05-16 883
在使用YOLOv7进行训练和预测时，发现模型仅能预测出两个类别（LFM和SFM），而实际应有四个类别。经过检查，特征图大小和anchors设置均与YOLOv3一致，且YOLOv3表现正常。最终发现问题可能出在detect.py中的conf-thres参数设置过高，将其从0.5调整为0.1后，问题得到解决。此外，还需注意在NMS操作时不使用classes参数，并在train.py中根据实际类别数和图片大小调整hyp['cls']和hyp['obj']的缩放比例。这些调整有助于确保模型能够正确预测所有类别。
基于深度学习的高效图像失真校正框架总结
weixin_56337944的博客
05-16 789
本文介绍了一种基于深度学习的高效图像失真校正框架，该框架采用两阶段方法进行图像校正。第一阶段使用改进的GeoNet（EffiGeoNet）进行初步校正，通过模型剪枝和知识蒸馏实现轻量化；第二阶段通过图像配准优化，消除残留失真。实验表明，该方法在PSNR和SSIM指标上分别提高了10.39%和30.42%，处理速度提升了85%。该框架适用于多种失真类型，并在医疗内窥镜等实际场景中表现出色。未来研究方向包括增强全局特征提取能力和开发无需参考图像的端到端校正网络。代码和数据已开源，便于复现和进一步研究。
计算机视觉与深度学习 ｜ Python实现EEMD-LSTM时间序列预测（完整源码和数据)
尘世冰封的专栏
05-17 130
EEMD-LSTM通过。
人工智能、机器学习与深度学习：概念解析与内在联系
weixin_62200515的博客
05-19 787
人工智能、机器学习与深度学习是一脉相承的技术体系，体现了人类对机器智能从抽象概念到具体实现的探索历程。人工智能提供宏观目标，机器学习定义实现路径，深度学习则是当前最具突破性的技术分支。 未来，三者的融合将推动人工智能向更通用、更智能、更可靠的方向发展，同时也需关注技术伦理、社会影响等深层问题。对于研究者和从业者而言，理解三者的联系与区别，有助于在不同场景中选择合适的技术方案，把握人工智能领域的发展脉络。
【深度学习新浪潮】如何入门人工智能？
最新发布
agito_cheung的博客
05-19 130
入门人工智能（AI）需要结合数学基础、编程技能、机器学习理论和实践项目，逐步深入。：AI入门有门槛，但通过“理论→实践→复盘”的循环，逐步积累即可。初期遇到问题很正常，多查资料、多交流，保持耐心！：全职学习约3-6个月可掌握基础并完成简单项目，后续需持续实践和跟进领域进展。：不必追求精通，但需掌握基本概念和应用场景，后续通过实践加深理解。
基于深度学习进行运输系统优化
weixin_69327572的博客
05-15 789
from torch.utils.data import Dataset, DataLoader # 数据加载。self.num_samples = num_samples # 样本数量。self.num_tasks = num_tasks # 任务数量。self.num_vehicles = num_vehicles # 车辆数量。# y[i][j][k]: 车辆j是否从任务i行驶到任务k（二进制变量）return self.num_samples # 返回数据集大小。
深度学习详细入门路线----以本人亲身实践得出
2303_76162328的博客
05-17 474
pytorch这个词相信很多人早就听过了 我在刚开始听到这个词的时候 一直以为是一种新的语言 知道后来学了深度学习才知道是一种框架 什么是框架 就是别人搭建好的代码块什么的 比如说你想用一个卷积 你不可能从头开始写吧 这时候框架封装了已经写好的conv 你直接一行代码调用就好 又比如数据处理时 你需要裁剪图片 你使用框架只需要一行代码即可完成 框架的存在 降低了我们写代码的难度 以及确保了代码的整洁与规范 而对于pytorch的学习 你无需从头开始 你只需要在项目中进行学习。
【从基础到模型网络】深度学习-语义分割-ROI
yuange1666的博客
05-18 777
在语义分割中，ROI（Region of Interest，感兴趣区域）是图像中需要重点关注的部分。其作用包括：提高效率，减少高分辨率图像的计算量；增强分割精度，聚焦关键语义信息；减少背景干扰，提升模型性能；适应特定场景需求，如医学图像中的肿瘤检测或自动驾驶中的行人检测。ROI 提取可通过手动标注、目标检测算法或注意力机制实现，是优化语义分割任务的重要手段。
循环神经网络：捕捉序列数据中的时间信息
m0_73776435的博客
05-16 477
循环神经网络（Recurrent Neural Network，RNN）是一类专门用于处理序列数据的神经网络。与前馈神经网络（Feedforward Neural Network）不同，循环神经网络具有记忆功能，能够对序列中的时间依赖关系进行建模。这使得它在处理诸如自然语言处理、语音识别、时间序列预测等序列数据相关的任务时表现出色。本文将深入探讨循环神经网络的基本原理、结构、变体以及实际应用案例，帮助读者全面理解这一重要的神经网络类型。
AAAI2025语义分割
01-18
### 关于2025年AAAI会议中的语义分割研究 目前，针对2025年AAAI会议上具体涉及语义分割的研究论文列表尚未公布。通常情况下，这类信息会在会议召开前几个月由官方渠道发布。不过，可以预期的是，在弱监督学习领域内，将会继续有新的进展被报道出来[^3]。 对于希望提前了解可能趋势的研究人员来说，可以从近年来该领域的热点方向做出预测： - **多模态数据融合**：随着传感器技术和计算能力的进步，利用RGB-D图像进行更精准的场景理解成为一个重要课题[^2]。 - **自适应模型训练**：为了减少对标记样本数量的需求，开发能够自动调整参数并从少量标注实例中学习有效特征表示的方法将是未来的一个重要方向[^1]。 此外，建议关注Awesome-Weakly-Supervised-Semantic-Segmentation-Papers这样的开源项目，它们会定期汇总最新的研究成果，并提供详细的分类和技术解析，有助于把握行业动态和发展脉络。 ```python import requests from bs4 import BeautifulSoup def fetch_conference_papers(conference_name, year): url = f"https://www.aaai.org/Conferences/conference.php?conf={conference_name.lower()}&year={year}" response = requests.get(url) soup = BeautifulSoup(response.text, 'html.parser') # This is a placeholder function to demonstrate how one might scrape the website. # Actual implementation would depend on the structure of the AAAI webpage and its terms of service. papers = fetch_conference_papers('AAAI', 2025) print(papers) ``` 此代码片段展示了如何通过网络爬虫获取特定年度学术会议上的论文摘要页面链接，但这仅作为概念验证用途；实际操作需遵循目标网站的服务条款以及版权规定。
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

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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