深度学习few shot模型创新点总结

已于 2023-02-17 13:13:33 修改
阅读量1.1k 收藏 13
点赞数
分类专栏： 深度学习 文章标签： pytorch 深度学习
于 2022-12-07 09:56:35 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/qq_44996943/article/details/128214679
版权

1、ASGNet（CVPR21）

使用聚类和分配的思想，Cluster模块将support prototypes聚合成一个质心，再通过Allocate模块将质心分散，与query prototypes进行原型对比，从而得到分割结果。
在这里插入图片描述

2、DCP（IJCAI22）

divide and conquer的思想（分而治之），通过backbone前三层，加一个seg模块得到support image的预测掩码，预测掩码与真实掩码进行运算，得到四个区域，alpha，beta，delta，gamma，将这四个区域信息与query features计算余弦相似度。得到一通道的alpha，beta，delta，gamma。同时也通过MAP得到fg原型和bg原型，再与query features计算余弦相似度，得到一通道的fg和bg。query-features，support-features、corr-query，alpha、beta、fg（2c+4通道）拼接，query-features、support-feature-bin，alpha、beta、fg（2c+3通道）拼接，再分别送进ASPP-decoder，最后拼接得到最终输出。
在这里插入图片描述

3、NTRENet（CVPR22）

消除背景和干扰物的思想，初始化全零的背景原型，并扩充成相应的shape的P-bg，对query-features和P-bg拼接后进行分割背景。对query-features和P-bg拼接后进行背景消除，再与support-prototype融合得到前景特征，进行初始分割得到Y_ini,由1-Y_bg-Y_ini得到Y_DO,再与query-features进行MAP操作得到P_DO,expand后再与前景特征融合分割，得到最终的输出。
在这里插入图片描述

4、BAM（CVPR22）

在这里插入图片描述

5、DCAMA（ECCV22）

在这里插入图片描述

6、MSANet（arxiv22，投稿CVPR22）

BAM和MSANet对比
在这里插入图片描述
详细MSANet图
在这里插入图片描述

7、IPMT（NeurlPS22，无code）

在这里插入图片描述

8、RPNet（ICCV21）

在这里插入图片描述

9、SSL-ALP-Net

在这里插入图片描述
在这里插入图片描述

10、QNet（arXiv，有code）

ADNe和QNet对比
在这里插入图片描述
QNet网络
在这里插入图片描述

师大云帆
关注
  • 0
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
fewshot-segmentation
05-29
[关于少镜头CNN分割的纹理偏差] 该存储库包含我们 WACV'21 论文“On the Texture Bias for some-shot CNN Segmentation”的代码。 先决条件和运行 此代码已使用带有 tensorflow 后端的 Keras 库以 python 语言实现，并在 ubuntu 操作系统中进行了测试，但应与相关环境兼容。 以下是运行代码所需的环境和库： Python 3 Keras 2.2.0 版 tensorflow后端版本1.13.1 运行演示 实现代码在源代码文件夹中可用。 1 -从下载FSS1000数据集链接并提取数据集。 2- 运行Train_DOGLSTM.py以使用 k-shot 情节训练来训练 Scale Space Encoder 模型。 该模型将训练 50 个 epoch，每个 epoch 将迭代 1000 集来训练模型。 该模型
few shot目标检测survey paper笔记（整体概念）
蓝羽飞鸟的博客
09-12 762
小样本目标检测相关概念和整体图
大模型中的ZeroShot、OneShot、FewShot 概念理解
最新发布
chunmiao3032的专栏
04-16 1297
相反，你可以让模型基于一些高级的描述（例如，动物的名字和它们的特点）来识别动物。这种方法更像是传统软件开发中的样本学习，但仍然非常高效，因为模型只需要很少的样本就能做出推断。类比解释：就像你给一个聪明的助手一些动物的定义，但没有给他看任何图片，他就能根据这些定义识别出他之前从未见过的动物。类比解释：就像你给助手看了几只不同品种的猫的图片，虽然数量不多，但他通过这些有限的样本学会了识别各种各样的猫。类比解释：这就像你给助手看了一张猫的图片，他就能够记住猫的样子，并且以后能够识别出其他的猫。
深度学习还可以从如下方面进行创新！！
qlkaicx的博客
12-08 945
虽然深度学习方法已经有很多，但是并没有达到饱和的状态。尽管现有的方法在许多任务上已经取得了很好的性能，但是仍然存在一些挑战和未解决的问题。因此，深度学习的研究仍然有很大的空间可以创新。
Zero Shot、Few Shot、One Shot闲聊
千里之行始于足下
05-17 2689
Zero Shot、Few Shot和One Shot的神奇之处，能够在没有见过的任务或类别上做出准确的预测，甚至只需要极少的样本就能学会新技能。
few-shot学习笔记（自用）
smallbig12的博客
04-09 1056
paper-with-code的榜单上列出了在MS-COCO（30-shot）数据集上各个模型的AP50，最高的目前只有0.3，这个结果相较于目标检测领域的0.8还是有较大差距的，所以很可能是不适合应用于工业环境的。但也有可能是因为COCO数据集上所需要的泛化能力太强了，few-shot才会不拿手，具体还要再看工业上的few-shot应用。这是一篇2022年的综述，将目前的few-shot目标检测分为单分支、双分支和迁移学习三个方向。然后多找几篇工业上few-shot的应用。要不再看一篇综述吧。
Self-supervised-Fewshot-Medical-Image-Segmentation:[ECCV'20]具有超像素的自我监督
05-16
SSL_ALPNet [ECCV'20]像素的 摘要： 很少使用的语义分割（FSS）在医学成像应用中具有巨大的潜力。 现有的大多数FSS技术都需要大量的带注释的语义类进行训练。 但是，由于缺少注释，这些方法可能不适用于医学图像。 为了解决这个问题，我们做出了一些贡献：（1）一种新颖的用于医学图像的自我监督FSS框架，以消除训练过程中对注释的需求。 此外，还会生成基于超像素的伪标签以提供监管； （2）将自适应本地原型池模块插入原型网络，以解决医学图像分割中常见的具有挑战性的前景-背景不平衡问题； （3）我们通过三种不同的任务证明了所提出方法对医学图像的一般适用性：CT和MRI的腹部器官分割以及MRI的心脏分割。 我们的结果表明，对于医学图像分割，该方法优于传统的FSS方法，后者需要人工注释进行训练。 注意：我们正在积极更新此存储库 如果您认为此代码库很有用，请引用我们的论文。 谢谢！
few-shot基本概念
热门推荐
gaotihong的博客
05-26 1万+
Few-shot learning https://www.youtube.com/watch?v=UkQ2FVpDxHg&list=PLvOO0btloRnuGl5OJM37a8c6auebn-rH2&index=1&t=3s 1.问题的引出 通过很少的样本来进行分类/回归 给你四张图像，人类大概可以知道，查询图像是什么。 同样，机器也需要知道。 Support set：很少的数据集，例如每类图像有2张。这么少的样本不足以训练一个模型。 传统的监督学习：让机
Few-Shot 学习
拒绝任何因懒惰而生的省略号
09-09 2522
目录综述K-way&n-shot:网络训练：测试： 综述 人类非常擅长通过极少量的样本识别一个新物体，比如小孩子只需要书中的一些图片就可以认识什么是“斑马”，什么是“犀牛”。在人类的快速学习能力的启发下，研究人员希望机器学习模型在学习了一定类别的大量数据后，对于新的类别，只需要少量的样本就能快速学习，这就是 Few-shot Learning 要解决的问题。 Few-shot Learning 是 Meta Learning 在监督学习领域的应用。Meta Learning，又称为 learning
论文分享 | 大语言模型的 few-shot 或许会改变机器翻译的范式
字节跳动技术团队官方博客
03-03 4550
动手点关注干货不迷路近期 NLP 界的大语言模型 (Large LM) 引领了一波研究热潮 。有关大语言模型介绍的博文众多、此处推荐一下 Stanford 为此专门设计的一门课程（仅开源了讲义）。Stanford CS324 - Large Language Modelsstanford-cs324.github.io/winter2022/大语言模型当然也影响到了机器翻译领域。近一个月里 arx...
一文读懂小样本类增量学习(Few-shot Class Increnmental Learning)
qq_63905452的博客
11-06 2403
本人对小样本类增量学习的一些浅薄认知
34.小样本学习 fewshot learning1
08-03
介绍3个相关的方法。孪生网络 （Siamese Neural Networks）[1]这个方法对输入的结构进行限制并自动发现可以从新样本上泛化的特征。通过一个有
awesome-papers-fewshot:少量学习集锦
03-14
很棒的论文Few-shot专注于收集在Few-shot学习领域的顶级会议上发表的论文，希望这可以减少初学者的时间。 此外，我们也很高兴看到此回购可以是一个虚拟的在线研讨会，它可以成为所有有热情交流有趣想法的研究人员的...
Few_Shot_Distribution_Calibration:[ICLR2021口头]少量学习的免费午餐
03-31
[ICLR2021口头]少量学习的免费午餐：分布校准 论文链接： : 智虎链接： ://zhuanlan.zhihu.com/p/344531704 骨干培训 我们使用与“ S2M2_R”相同的骨干网和培训策略。 请参阅进行骨干训练。 提取并保存功能 将主干...
Incremental Few-Shot Learning for Pedestrian Attribute Recognition.pdf
03-15
Incremental Few-Shot Learning for Pedestrian Attribute Recognition
【深度学习】小概念
littlemichelle
07-01 553
好用小工具：https://lutzroeder.github.io/netron/ 网络架构图可视化工具。
5大关键步骤！如何构建深度学习模型？
睡前人工智能共享实验室
12-21 1425
深度学习的关注度正持续上升，它是机器学习的一个子领域，基于人工神经网络的概念来执行特定任务。然而在理论上，人工神经网络与人类大脑的运作方式并不相同，甚至都不相似! 它们之所以被命名为人工神经网络，是因为它们可以完成确切的任务，同时达到理想的精确度，而无需使用任何特定规则进行明确编程。 几十年前AI失败的主要原因是缺乏数据和计算能力。经过数年时间，这一情况已显著改善。基于大型科技巨头和跨国公司投资AI数据，数据的丰富程度已大大提高。而鉴于图形处理单元(GPUs)功能强大，计算能力也不再是挑战。 本文
few-shot深度学习
09-18
Few-shot深度学习是一种处理数据稀缺情况下的机器学习方法。传统深度学习算法通常需要大量的训练数据才能取得良好的效果，而few-shot深度学习则致力于在只有少量训练数据的情况下进行学习和泛化。在few-shot学习中，...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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