ECCV 2022 Self-Support Few-Shot Semantic Segmentation

最新推荐文章于 2023-01-13 16:20:09 发布
最新推荐文章于 2023-01-13 16:20:09 发布
阅读量305 收藏 2
点赞数
分类专栏： FSL Paper Notes 文章标签： 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/weixin_53356651/article/details/128262188
版权

⭐转载自ECCV 2022 | SSP: 自支持匹配的小样本任务新思想
这是paper作者自己写的，非常清楚，推荐阅读~（膜拜大佬）

Summary

1.多了self-support过程。即用M1-hat再次与query-feature提取prototype（包括前景和后景），然后与support的prototype结合得到新的support-prototype，与query-feature计算相似度得到最终的M2-hat。
2.ASBP和SSFP中提取prototype的原理，两者是不同的
3.没有额外参数

Annotation

在这里插入图片描述

FSS Task

在这里插入图片描述

FSS Problem

在这里插入图片描述

Other Solutions

在这里插入图片描述

Our Idea

在这里插入图片描述

Our Motivation

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Method

在这里插入图片描述
在这里插入图片描述

Another Problem ans Solution

在这里插入图片描述
在这里插入图片描述

Experiments

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Advantages

在这里插入图片描述

脑瓜嗡嗡0608
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【小样本分割】Self-Support Few-Shot Semantic Segmentation
栗子菜菜
09-23 2311
自支持小样本语义分割:将自支持(查询原型匹配查询特征)模块应用于前景和背景原型，以进行自支持匹配。
Self-Support Few-Shot Semantic Segmentation 代码详解
qq_48355075的博客
11-17 393
Self-Support Few-Shot Semantic Segmentation 代码详解
[小样本图像分割]SCNet: Enhancing Few-Shot Semantic Segmentation by Self-Contrastive Background Prototypes
qq_38932073的博客
04-20 1311
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
【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 2139
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
Self-supervised-Fewshot-Medical-Image-Segmentation:[ECCV'20]具有超像素的自我监督
05-16
[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...
2016ECCV Person Re-id
09-26
2016年ECCV所有关于Person Reid 的paper， 一共7篇， 包括Embedding Deep Metric ， Temporal Model Adaptation等
SFSegNets:实施ECCV-2020-口头文件
03-21
SFSegNets（ECCV-2020-口头） ECCV-2020口头论文的复制实现：用于快速准确场景解析的语义流。 SFnet是第一个在Cityscape测试装置上达到80 mIoU的实时网络！！！ 我们的方法在多个场景解析数据集上实现了最佳的速度...
220920 - ECCV 2022 - 从单目RGB图像中进行类别级6D物体姿态估计
10-20
220920 - ECCV 2022 - 从单目RGB图像中进行类别级6D物体姿态估计 220920 - ECCV 2022 - 从单目RGB图像中进行类别级6D物体姿态估计
【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 3124
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
#今日论文推荐#ECCV 2022 | SSP: 自支持匹配的小样本任务新思想
w1hsxn的博客
07-29 213
本文在小样本任务中提出了自支持匹配的思想，并将其用在小样本分割任务中。
CVPR 2022：Generalized Few-shot Semantic Segmentation 解读
李响
09-11 996
之前已经有过关于小样本语义分割的论文解读，关于如何用 Transformer 思想的分类器进行小样本分割，链接见https://mp.weixin.qq.com/s/YVg8aupmAxiu5lGTYrhpCg。本篇是发表在 CVPR 2022 上的 Generalized Few-shot Semantic Segmentation（后文简称 GFS-Seg），既一种泛化的小样本语义分割模型。在看论文的具体内容之前，我们先了解一些前置知识。
【论文速递】CVPR2022 - 泛化的小样本语义分割
智慧地球（AI·Earth）
01-13 1954
语义分割模型的训练需要大量精细标注的数据，很难快速适应不满足这一条件的新类。小样本分割(FS-Seg)通过许多约束来解决这个问题。在本文中，我们引入了一种新的基准，称为泛化的小样本语义分割(GFSSeg)，以分析同时分割具有很少示例的新类别和具有足够示例的基本类别的泛化能力。这是首次研究表明，以往最先进的代表性FS-Seg方法在GFS-Seg中存在不足，其性能差异主要来自FS-Seg的约束设置。为了使GFS-Seg易于处理，
【论文阅读】APANet: Adaptive Prototypes Alignment Network for Few-Shot Semantic Segmentation
qq_43124103的博客
12-20 1339
如今，深度学习技术在计算机视觉领域取得很大的发展。随着Imagenet、coco、pascal voc等大型数据集的提出，深度学习几乎和大量的有标注的人工数据集绑定在一起。海量的数据集使得网络具有可以不断加深的前提，网络模型的能力也不断提升，深度学习在图像分类，目标检测和图像分割领域都获得了突破。但同时大型数据集也制约了深度学习的发展。小样本分割开始得到发展
[小样本图像分割]Few-Shot Semantic Segmentation with Prototype Learning
qq_38932073的博客
04-11 3001
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
详细记录Few-Shot Semantic Segmentation的框架笔记
weixin_43673376的博客
07-31 2549
Few-Shot Semantic Segmentation 任务： 以one-shot为例，在support set 中，给定新类（比如狗）的一张图片（或多张图片，比如few-shot，就是多张）以及对应的分割mask（label），这里需要注意，这里的新类（狗）并没有出现在训练任务中。然后在quiery set 给定一张含新类（狗）的图片，需要准确地对这张图片进行分割。这个问题简单说就是：给你一张有mask的图片，比如图片中这是一只狗，然后给你其他新的图片，你还能知道哪个是狗并分割出来，这如何做到的呢？
ECCV 2022 | SSP: 自支持匹配的小样本任务新思想
Paper weekly
07-28 384
©作者 | 范琦单位 | 香港科技大学研究方向 | 小样本学习/模型泛化这是我们在 ECCV 2022 上的新工作，第一次（to my best knowledge）在小样本任务中提出了自支持匹配（self-support matching）的思想，并将其用在小样本分割（Few-shot semantic segmentation, FSS）任务中，用很新颖的想法和很简单...
mkdir -p repository_eccv/stl-10/pretext/，这段话是什么意思
最新发布
06-01
这段话是一个命令，用于在当前工作目录中创建一个名为 `repository_eccv/stl-10/pretext/` 的目录，其中 `-p` 选项表示在创建目录时，如果其上级目录不存在，则会自动创建。如果目录已经存在，则该命令不会执行任何操作。 具体来说，这个命令会在当前工作目录中创建 `repository_eccv` 文件夹（如果不存在），然后在其中创建一个名为 `stl-10` 的文件夹（如果不存在），接着在 `stl-10` 文件夹中创建一个名为 `pretext` 的文件夹（如果不存在）。如果 `repository_eccv/stl-10/pretext/` 目录已经存在，则该命令不会执行任何操作。 这个命令的目的是为了确保程序可以正确读写数据文件。在本教程中，`repository_eccv/stl-10/pretext/` 目录用于存储预训练数据集，该数据集将用于训练模型。

“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