iSeg:一种基于迭代优化的无训练分割框架
原文中文,约500字,阅读约需2分钟。发表于: 。本研究解决了现有无训练分割方法在处理跨注意力图时的不足,提出了一种迭代优化的框架iSeg,采用熵减少的自注意力模块来抑制无关全局信息。实验结果表明,iSeg在不同数据集上相较于现有最佳无训练方法实现了3.8%的mIoU绝对提升,展示了其在多种分割任务中的广泛适应性和优越性能。
最近的研究发现,利用预训练的文本-图像判别模型(如CLIP)可以解决开放词汇语义分割的挑战。研究人员提出了一种名为DiffSegmenter的无需训练的新方法,通过扩散模型生成注释数据或提取特征来促进语义分割。DiffSegmenter在开放词汇语义分割方面取得了令人印象深刻的结果。