前言
我硕士期间主要关注的方向是少样本学习，长尾分布，噪声标签学习等。之前视野不够开阔，只关注了图像分类相关的工作，但是我意识到要真正的和实际需求相结合，就必须也也关注包括图像分割，目标检测等方向的工作，同时也应该对low level方向的工作有所了解，这些在实际中的用处也很丰富。
这篇文章主要整理自己粗略过一遍ICCV2021自己比较感兴趣的文章，主要是对摘要的阅读和自己的对摘要的理解。
另外，为了方便复现，提供开源代码的工作是我们优先关注的对象，论文list链接：ICCV2021-Papers-with-Code
一、少样本学习
1. Recurrent Mask Refinement for Few-Shot Medical Image Segmentation
- Paper：https://arxiv.org/abs/2108.00622
- Code：https://github.com/uci-cbcl/RP-Net
- 摘要：在少量标注下让模型适应新类别在医疗图像分割方向看上去挺有前景的。作者提出两个模块：1）基于上下文关系的编码器CRE（Context Relation Encoder）用于捕捉前后景的局部特征；2）一个循环掩码矫正模块（Recurrent Mask Refinement Module）用于调整分割结果。
- 总结：个人感觉主要是设计两个捕捉信息的网络模块，之前觉得是这种工作是魔改网络，现在觉得看看别人设计网络的智慧也不错。
2. Simpler is Better: Few-shot Semantic Segmentation with Classifier Weight Transformer
- Paper：https://arxiv.org/abs/2108.03032
- Code：https://github.com/zhiheLu/CWT-for-FSS
- 摘要：小样本语义分割工作需要训练编码器，解码器和分类器三个模块。之前的模块是利用少量样本对三个模块都进行fast adaptation。作者认为少量样本不足以支撑三个模块的训练，预训练的编解码器是足以应对新样本的，应该将精力放在分类器上。作者设计一个classifier weight transformer 用于将分类器权重快速适应query samples。
- 感觉上这个全新设计的模块会利用transformer 的设计智慧，蛮有意思的。
