PulseAugur
中
实时 10:47:58
English(EN) Learning Attribute-aware Representations for Few-shot Scene Text Segmentation

新框架通过属性学习提升小样本场景文本分割能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了TSAL，一个新颖的、用于小样本场景文本分割的属性感知框架。该方法利用预训练的CLIP模型提取可迁移的文本属性，解决了监督方法中数据集稀少和标注成本高昂的限制。TSAL包含一个用于语义和纹理特征的视觉引导分支（Visual-Guided Branch）和一个用于多样化文本属性的自适应提示引导分支（Adaptive Prompt-Guided Branch），并通过一个自适应特征对齐模块（Adaptive Feature Alignment module）进一步增强，以连接视觉和文本表示。实验表明，TSAL在小样本设置下取得了最先进的性能，并展现了强大的泛化能力。 AI

影响 这项研究为图像中的文本分割提供了一种更有效的方法，有望减少计算机视觉任务中对大量标记数据的需求。

排序理由 该集群包含一篇详细介绍场景文本分割新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架通过属性学习提升小样本场景文本分割能力

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Yifan Tang, Chenming Li, Chengxu Liu, Yuanting Fan, Dangfeng Yang, Yong Huang, Cun Xin, Yu Li, Xingsong Hou, Xueming Qian ·

    Learning Attribute-aware Representations for Few-shot Scene Text Segmentation

    arXiv:2504.11164v2 Announce Type: replace Abstract: Supervised scene text segmentation has achieved notable progress in recent years. However, its development is largely constrained by the scarcity of high-quality datasets and the high cost of pixel-level annotations. To address …

相关实体

相关话题