用于高效标注核实例分割的少样本学习
原文中文，约400字，阅读约需1分钟。发表于：。在这篇论文中，我们提出了一种基于元学习的结构引导广义少样本实例分割（SGFSIS）框架，用于有效标注细胞核实例分割。实验证明，SGFSIS 在少于 5％的标注数据情况下，优于其他注释效率学习方法，包括半监督学习和简单迁移学习，并且与完全监督学习相当。
本文介绍了一个名为“广义Few-Shot语义分割（GFS-Seg）”的新基准数据集，用于分析模型在分割新类别和基础类别时的泛化能力。提出了一种名为“上下文感知原型学习（CAPL）”的方法来提高Few-Shot Segmentation的性能，实验证明CAPL具有很好的泛化性能。
