栗子菜菜

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。

小样本分割的目的是在只有少量密集标记样本的情况下分割看不见的类对象。原型学习，即从支持图像中提取的特征通过平均全局和局部对象信息生成单个或多个原型，已广泛应用于FSS。然而，仅利用原型向量可能不足以表示所有支持图像的特征。为了提取丰富的特征并进行更精确的预测，我们提出了一种多相似性和注意力网络（MSANet），包括两个新模块，一个多相似性模块和一个注意力模块。多相似度模块利用支持图像和查询图像的多个特征图来估计准确的语义关系。注意力模块指示MSANet专注于与类别相关的信息。httpshttps。...

小样本分割新视角：学习哪些是不需要分割的

摘要在这项工作中，我们重新审视了 "Prior Guided Feature Enrichment Network for Few-Shot Segmentation "中提出的先验掩码指导。先验掩码作为一个指标，突出了未知类别的感兴趣的区域。在最近的研究中，在不同的框架上取得了更好的性能。然而，目前的方法直接采用了元素与元素之间的对应关系来表示属于目标类别的概率。因此，在先验掩码生成过程中，更广泛的背景信息很少被利用。为了解决这个问题，我们首先提出了Context-aware Prior Mask (C

Self-Guided and Cross-Guided Learning for Few-Shot Segmentation摘要1 Introduction2 Related Work2.1 完全监督语义分割2.2 小样本分割3. Problem Setting4 Methodology（方法论）4.1. 概述4.2支持集上的自我引导学习（SGM）4．3查询集训练4．4. 交叉引导的multiple shot学习5实验5.1实施细节5.2数据集和评估指标5.3与先进的方法进行比较5.4消融实验6结论论文

Prior Guided Feature Enrichment Network for Few-Shot SegmentationAbstractIntroductionRelated WorkSemantic Segmentation（语义分割）Few-shot Learning（小样本学习）Few-shot Segmentation（小样本分割）Our MethodTask Description（任务描述）Prior for Few-Shot Segmentation重要的观察（为什么使用先验引导）P

Adaptive Prototype Learning and Allocation for Few-Shot SegmentationAbstractIntroductionRelated WorkSemantic Segmentation（语义分割）Few-shot Learning（小样本学习）Few-shot Segmentation（小样本分割）Superpixel Segmentation（超像素分割）Problem DefinitionProposed MethodSuperpixel-gui