UniFS：基于点表示的通用少样本实例感知
计算机视觉与模式识别
2024-07-22 v3
摘要
实例感知任务（目标检测、实例分割、姿态估计、计数）在视觉模型的工业应用中起着关键作用。由于监督学习方法面临高标注成本，需要能够从有限标注样本中有效学习的少样本学习方法。现有的少样本学习方法主要关注有限的任务集，这大概是由于设计一个能够以统一方式表示多种任务的通用模型所面临的挑战。在本文中，我们提出了UniFS，一个通用的少样本实例感知模型，通过将各种实例感知任务重新表述为动态点表示学习框架来统一它们。此外，我们提出了结构感知点学习（SAPL）来利用点之间的高阶结构关系进一步增强表示学习。我们的方法对任务做了最少的假设，但与高度专业化和优化良好的专家模型相比，仍取得了有竞争力的结果。代码和数据可在https://github.com/jin-s13/UniFS获取。
引用
@article{arxiv.2404.19401,
title = {UniFS: Universal Few-shot Instance Perception with Point Representations},
author = {Sheng Jin and Ruijie Yao and Lumin Xu and Wentao Liu and Chen Qian and Ji Wu and Ping Luo},
journal= {arXiv preprint arXiv:2404.19401},
year = {2024}
}
备注
Accepted by ECCV 2024