ECCV 2024 | UniFS：基于点表示的通用少样本实例感知

文章预览

摘要 · 看点 实例感知任务（如目标检测、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。由于监督学习方法存在高标注成本的问题，能够从有限标注样本中有效学习的少样本学习方法备受学界和工业界期待。然而，由于不同视觉任务的表示方式不同，现有的少样本学习方法主要专注于单一任务。在本文中，我们提出了UniFS，这是一种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实现统一。此外，我们提出了结构感知点学习（Structure-Aware Point Learning, SAPL），以利用点之间的高阶结构关系来进一步增强表示学习。我们的方法对任务的假设最少，但与高度专业化的专家模型相比，仍能取得非常有竞争力的结果。 论文名称： UniFS: Universal Few-shot Instance Perception with Point Representations 代码地址： ………………………………