論文の概要: Contrastive Enhancement Using Latent Prototype for Few-Shot Segmentation

• arxiv url: http://arxiv.org/abs/2203.04095v1
• Date: Tue, 8 Mar 2022 14:02:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-09 13:50:20.923748
• Title: Contrastive Enhancement Using Latent Prototype for Few-Shot Segmentation
• Title（参考訳）: 少数ショットセグメンテーションのための潜在プロトタイプを用いたコントラスト強調
• Authors: Xiaoyu Zhao, Xiaoqian Chen, Zhiqiang Gong, Wen Yao, Yunyang Zhang, Xiaohu Zheng
• Abstract要約: 短いショットのセグメンテーションにより、アノテーション付きの例がほとんどない未確認のクラスを認識できる。 本稿では,潜伏クラスを活用するために潜伏型プロトタイプを用いた対照的な拡張手法を提案する。 提案手法は,1ショットと5ショットのセグメンテーションにおける最先端手法の性能を著しく向上させる。
• 参考スコア（独自算出の注目度）: 8.986743262828009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot segmentation enables the model to recognize unseen classes with few annotated examples. Most existing methods adopt prototype learning architecture, where support prototype vectors are expanded and concatenated with query features to perform conditional segmentation. However, such framework potentially focuses more on query features while may neglect the similarity between support and query features. This paper proposes a contrastive enhancement approach using latent prototypes to leverage latent classes and raise the utilization of similarity information between prototype and query features. Specifically, a latent prototype sampling module is proposed to generate pseudo-mask and novel prototypes based on features similarity. The module conveniently conducts end-to-end learning and has no strong dependence on clustering numbers like cluster-based method. Besides, a contrastive enhancement module is developed to drive models to provide different predictions with the same query features. Our method can be used as an auxiliary module to flexibly integrate into other baselines for a better segmentation performance. Extensive experiments show our approach remarkably improves the performance of state-of-the-art methods for 1-shot and 5-shot segmentation, especially outperforming baseline by 5.9% and 7.3% for 5-shot task on Pascal-5^i and COCO-20^i. Source code is available at https://github.com/zhaoxiaoyu1995/CELP-Pytorch
• Abstract（参考訳）: ほとんどショットのセグメンテーションにより、アノテーションのない例で未確認のクラスを認識できる。 既存のほとんどのメソッドはプロトタイプ学習アーキテクチャを採用しており、サポート対象ベクトルを拡張し、クエリ機能と結合して条件付きセグメンテーションを実行する。 しかし、このようなフレームワークは、サポートとクエリ機能の類似性を無視しながら、クエリ機能に重点を置く可能性がある。 本稿では,潜在クラスの活用と,プロトタイプと問合せ機能との類似性情報の利用性を高めるために,潜在プロトタイプを用いた対比的拡張手法を提案する。 具体的には、擬似マスクと特徴類似性に基づく新しいプロトタイプを生成するために、潜伏プロトタイプサンプリングモジュールを提案する。 このモジュールはエンドツーエンドの学習を便利に行い、クラスタベースの手法のようなクラスタ番号に依存しない。 さらに、異なる予測を同じクエリ機能で提供するために、モデルを駆動するコントラスト拡張モジュールも開発されている。 本手法は,セグメンテーション性能を向上させるために,他のベースラインと柔軟に統合するための補助モジュールとして使用できる。 広範な実験により,pascal-5^iおよびcoco-20^iのベースラインを5.9%,7.3%上回る1ショットおよび5ショットセグメンテーションの最先端手法の性能が著しく向上した。 ソースコードはhttps://github.com/zhaoxiaoyu1995/celp-pytorchで入手できる。

関連論文リスト

• Symmetrical Joint Learning Support-query Prototypes for Few-shot Segmentation [33.33249452130038]
  クラス内変動の重要な問題に対処するFew-Shot(FSS)のための新しいフレームワークであるSym-Netを提案する。 我々は、クエリとプロトタイプの両方を対称的に学習し、学習プロセスが他方よりも1つのセット(サポートまたはクエリ)を好まないようにします。 実験の結果,提案したSym-Netは最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-07-27T17:37:56Z)
• Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
  本稿では,FS-PCSによる3Dポイント・クラウドセマンティックセマンティックセグメンテーションについて再検討する。 我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。 これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
  論文  参考訳（メタデータ） (2024-03-01T15:14:47Z)
• Hierarchical Dense Correlation Distillation for Few-Shot Segmentation-Extended Abstract [47.85056124410376]
  Few-shot semantic segmentation (FSS) は、いくつかのアノテーションだけで見えないクラスをセグメンテーションするクラスに依存しないモデルを構築することを目的としている。 我々は、トランスアーキテクチャに基づく階層的分離マッチングネットワーク(HDMNet)マイニングピクセルレベルのサポート相関を設計する。 本稿では,列車セットの過度適合を低減し,粗い分解から意味対応を生かした相関蒸留を導入し,細粒度セグメンテーションを向上するマッチングモジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-27T08:10:20Z)
• Few-Shot Segmentation via Rich Prototype Generation and Recurrent Prediction Enhancement [12.614578133091168]
  本稿では,プロトタイプ学習パラダイムを強化するために,リッチプロトタイプ生成モジュール (RPGM) と繰り返し予測拡張モジュール (RPEM) を提案する。 RPGMはスーパーピクセルとK平均クラスタリングを組み合わせて、補完的なスケール関係を持つリッチなプロトタイプ機能を生成する。 RPEMは、リカレントメカニズムを使用して、ラウンドウェイ伝搬デコーダを設計する。
  論文  参考訳（メタデータ） (2022-10-03T08:46:52Z)
• Self-Support Few-Shot Semantic Segmentation [72.43667576285445]
  本稿では,クエリ機能にマッチするクエリのプロトタイプを利用する,新しいセルフサポートマッチング戦略を提案する。 また,適応型自己サポート型バックグラウンドプロトタイプ生成モジュールと自己サポート型プロトタイプ生成モジュールを提案し,自己サポート型マッチング手順をより容易にする。 我々の自己サポートネットワークは、プロトタイプの品質を大幅に向上させ、より強力なバックボーンとサポートの改善を享受し、複数のデータセット上でSOTAを達成する。
  論文  参考訳（メタデータ） (2022-07-23T16:28:07Z)
• Rethinking Semantic Segmentation: A Prototype View [126.59244185849838]
  学習不可能なプロトタイプをベースとした非パラメトリックセマンティックセマンティックセマンティクスモデルを提案する。 我々のフレームワークは、いくつかのデータセットに対して魅力的な結果をもたらす。 この作業が、現在のデファクトセマンティックセグメンテーションモデル設計を再考することを期待しています。
  論文  参考訳（メタデータ） (2022-03-28T21:15:32Z)
• CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification [11.894289991529496]
  少数のラベル付きサンプルを与えられた未確認のクラスに適応できるモデルを学ぶことを目的としている。 最近のアプローチでは、特徴抽出器を事前訓練し、その後、エピソードなメタラーニングのための微調整を行う。 本研究は, 複数ショットの分類において, 横断的および再重み付き識別機能を実現するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T06:14:51Z)
• APANet: Adaptive Prototypes Alignment Network for Few-Shot Semantic Segmentation [56.387647750094466]
  Few-shotのセマンティックセマンティックセマンティクスは、指定されたクエリイメージに、ラベル付きサポートイメージのみで、新規クラスのオブジェクトをセグメントすることを目的としている。 ほとんどの高度なソリューションは、各クエリ機能を学習したクラス固有のプロトタイプにマッチさせることでセグメンテーションを実行するメトリクス学習フレームワークを利用している。 本稿では,クラス固有およびクラス非依存のプロトタイプを導入することで,適応型プロトタイプ表現を提案する。
  論文  参考訳（メタデータ） (2021-11-24T04:38:37Z)
• Dual Prototypical Contrastive Learning for Few-shot Semantic Segmentation [55.339405417090084]
  本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。 第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。 提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-09T08:14:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。