Feature Weighting and Boosting for Few-Shot Segmentation阅读笔记

最新推荐文章于 2024-07-22 17:21:12 发布
最新推荐文章于 2024-07-22 17:21:12 发布
阅读量530 收藏 2
点赞数 3
分类专栏： 论文阅读笔记 图像分割
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_42987423/article/details/114689133
版权
本文介绍了在深度网络中应用特征权重和增强技术来改进少样本分割的效果。通过对支持图像和查询图像的特征提取和加权，提高了模型在新目标类的泛化能力。在K-shot设置中，通过估计共同的特征差异相关系数，增强了模型的稳健性，避免了对每个支持图像单独预测的不稳定性。
摘要由CSDN通过智能技术生成

Feature Weighting and Boosting for Few-Shot Segmentation阅读笔记

图2
在这里插入图片描述
图3
在这里插入图片描述

3.1 深度网络的训练

图2表示本文中一部分深度结构的部分训练过程（没有包含本文的第二个优点，训练时没有包含），这个结构是在一些support x_s与query x_q的图像上进行的训练。首先使用一个卷积网络提取x_s的特征F_s和x_q的特征F_q，其中的d表示维度，w，h表示特征图的宽和高。然后对F_s在m_s上已知的前景位置进行求平均，最后得到support图像的平均类特征向量f_s。对于这个标记的特征平均，m_s是对大小为w x h的特征图进行下采样
在这里插入图片描述
具体计算如下：
在这里插入图片描述
其中|m_s|表示在m_s中的前景像素点的数量，然后求fs与在query特征图上Fq上的每一个Fqi之间的cos近似值。这样就能够得到一个在support与query之间

最低0.47元/天 解锁文章
喵喵喵喵诺
关注
  • 3
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Few-shot Object Detection via Feature Reweighting论文阅读笔记
weixin_42331859的博客
10-21 704
Few-shot Object Detection via Feature Reweighting论文阅读笔记本文贡献Motivation整体架构Feature extractor如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 最近开始阅读小样本目标检测相关的论文，在这里
【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）
02-06 348
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;
【论文阅读】 Few-shot object detection via Feature Reweighting
juli_eyre的博客
02-18 1470
Few-shot object detection的开山之作之一
[AAAI 2023] Oral : Zero-shot 零样本/ Few-shot 少样本收录论文集合
二十四桥明月夜的博客
02-13 1989
[AAAI 2023] Oral : Zero-shot 零样本/ Few-shot 少样本收录论文集合：零样本 (7篇)+少样本 (14篇)
【Few-Shot Segmentation论文阅读笔记】Prototype Mixture Models for Few-Shot Semantic Segmentation, ECCV, 2020
Raymond_Love的博客
01-08 3207
Abstract Target Probelm：Single Prototype ===> semantic ambiguity problem 为此，本文提出了Prototype Mixture Models (PMMs) PMMs使用多个prototype用来分别对应不同的image regions, 进而提高其语义表征能力 使用EM算法来估算prototype, 使得PMMs能够富含丰富的channel-wised和spatial语义信息 PMMs既可以作为representation
HSIC-based Moving Weight Averaging for Few-Shot Open-Set Object Detection 初读笔记 （obsidian+md+claude）
最新发布
m0_55898550的博客
07-22 914
开集检测文章HSIC-based Moving Weight Averaging for Few-Shot Open-Set Object Detection阅读
【零样本学习】Rethinking Knowledge Graph Propagation for Zero-Shot Learning
x124612的博客
09-30 1751
Abstract 近年来，GCN在ZSL问题上取得了不错的效果，它关联在图结构上相关概念，使得能够泛化到unseen class。然而，由于多层GCN结构需要将知识传播到图中较远的节点(传递并吸收较远节点的知识)，在每一层都要执行Laplacian平滑，会稀释知识导致性能降低。为了利用图结构的优势，同时防止较远节点导致的知识稀释问题，我们提出Dense Graph Propagation (DGP...
A feature group weighting method for subspace clustering of high-dimensional data
02-20
This paper proposes a new method to weight subspaces in feature groups and individual features for clustering high-dimensional data. In this method, the features of high-dimensional data are divided ...
Attribute Weighting for Averaged One-Dependence Estimators
02-23
We have conducted experiments on UCI benchmark data sets and made a comparison of accuracies between AODE and our proposed learners. The experimental results in our paper have shown that WAODE had ...
【Few-Shot Segmentation论文阅读笔记】Part-aware prototype for few-shot semantic Segmentation, ECCV, 2020
Raymond_Love的博客
01-11 2236
Abstract 问题： 现有Few-shot segmentation方法的缺点包括： 只能处理有限的问题：one-way few-shot segmentation, 比较难向multi-way进行扩展 Single prototype 表征能力有限，无法涵盖object的全部regions 目标： 针对上述问题，本文引入semi-supervised framework，将其作为semi-supervised few-shot semantic segmentation问题，从两方面入手en
【ICCV2019】完整论文列表
TomRen
10-30 1万+
ICCV2019 完整论文清单及链接
Few-shot Segmentation 论文阅读总结
菜超搬砖日记
12-14 9027
目录 One-shot/Few-shot segmentation一般任务设置 paper 1：One-Shot Learning for SemanticSegmentation BMVC 2017 paper 2 :CONDITIONAL NETWORKSFOR FEW-SHOT SEMANTIC SEGMENTATION...
小样本学习&元学习经典论文整理
热门推荐
深视
08-21 3万+
  本文整理了近些年来有关小样本学习的经典文章，并附上了原文下载链接以及论文解读链接。文末有我个人公众号“深视”的二维码链接，关注公众号回复“小样本学习”，可以打包下载全部文章。该文我会持续更新，不断增添新的文章和相关解读，大家可以收藏关注一下。 一、基于度量学习的小样本学习算法 1.《Siamese Neural Networks for One-shot Image Recognition》   网络名称：Siamese Network   文章来源：ICML2015   原文下载：http://www
ICCV2019论文题目中文列表
qq_33581906的博客
11-18 7586
英文题目 中文题目 FaceForensics++: Learning to Detect Manipulated Facial Images FaceForensics++：学习检测操纵的面部图像 DeepVCP: An End-to-End Deep Neural Network for Point Cloud Registration DeepV...
样本不平衡问题 | 目标检测（文后分享大量检测+分割框架）
gzq0723的博客
01-17 3457
背景2020 Happy New Year《Residual Objectness for Imbalance Reduction》是2019 arXiv上的文章。样本不平衡问题感觉近期...
论文阅读笔记《Few-shot Object Detection via Feature Reweighting》
深视
06-21 2108
核心思想   本文提出一种小样本目标检测算法。整体网络结构采用单阶段目标检测的形式，利用一个预测网络同时输出目标框的位置及类别结果。网络结构如下图所示   首先，查询集图片III经过特征提取网络D\mathcal{D}D得到对应的特征图F=D(I)F=\mathcal{D}(I)F=D(I)，支持集图片IiI_iIi​和利用真实边界框制作的掩码图MiM_iMi​一起输入到重加权模块（Reweighting Module）M\mathcal{M}M中，得到每个类别对应重加权向量wi=M(Ii,Mi)w_i=
图像处理代码合集:特征提取-图像分割-分类-匹配-降噪
满城风絮
10-12 1万+
这几天在研究血管增强与分割，发现一个比较全面的图像处理方面的项目集合，里面涵盖了特征提取、图像分割、图像分类、图像匹配、图像降噪，光流法等等方面的项目和代码集合，项目是2012年之前的，但是涵盖比较基础的原理知识，用到的时候可以参考一下： Topic Resources References Feature Extraction
metric learning via feature weighting for scalable image retrieval
04-29
本文介绍了一种基于特征权重度量学习的方法，可以应用于可扩展图像检索。该方法利用多任务学习，将特征选择和度量学习相结合，从而使得检索性能更加稳定和有效。具体地，通过对训练数据进行聚类并从中选择代表性的点...
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