🚀 Нет времени на обучение!

Сегментация объектов по образцу без обучения

Передовые методы (Papers with Code) _SOTA 1-shot_ | -21CBCE?style=flat&logo=paperswithcode)

_SOTA 10-shot_ | -21CBCE?style=flat&logo=paperswithcode)

_SOTA 30-shot_ | -21CBCE?style=flat&logo=paperswithcode)

🚨 Обновление (5 февраля 2026): Рукопись статьи была обновлена с обширными абляционными исследованиями, визуализациями и дополнительными экспериментами.

🚨 Обновление (22 июля 2025): Добавлены инструкции для пользовательских датасетов!

🔔 Обновление (16 июля 2025): Обновлен код с инструкциями!

📋 Оглавление

• 🎯 Основные моменты
• 📜 Аннотация
• 🧠 Архитектура
• 🛠️ Инструкция по установке
• 1. Клонируйте репозиторий
• 2. Создайте conda-окружение
• 3. Установите SAM2 и DINOv2
• 4. Скачайте датасеты
• 5. Скачайте контрольные точки SAM2 и DINOv2
• 📊 Код для инференса: Воспроизведите SOTA-результаты 30-shot на Few-shot COCO
• 0. Создайте референсный набор
• 1. Заполните память референсами
• 2. Пост-обработка банка памяти
• 3. Инференс на целевых изображениях
• Результаты
• 🔍 Пользовательский датасет
• 0. Подготовьте пользовательский датасет ⛵🐦
• 0.1 Если доступны только bbox-аннотации
• 0.2 Преобразуйте аннотации COCO в файл pickle
• 1. Заполните память эталонными изображениями
• 2. Постобработка банка памяти
• 📚 Цитирование

🎯 Основные моменты

• 💡 Без обучения: Без дообучения, без настройки подсказок — только эталонное изображение.
• 🖼️ На основе эталонов: Сегментация новых объектов всего по нескольким примерам.
• 🔥 SOTA-производительность: Превосходит предыдущие методы без обучения на COCO, PASCAL VOC и Cross-Domain FSOD.

• 🧾 Статья на arXiv
• 🌐 Веб-сайт проекта
• 📈 Papers with Code

📜 Аннотация

The performance of image segmentation models has historically been constrained by the high cost of collecting large-scale annotated data. The Segment Anything Model (SAM) alleviates this original problem through a promptable, semantics-agnostic, segmentation paradigm and yet still requires manual visual-prompts or complex domain-dependent prompt-generation rules to process a new image. Towards reducing this new burden, our work investigates the task of object segmentation when provided with, alternatively, only a small set of reference images. Our key insight is to leverage strong semantic priors, as learned by foundation models, to identify corresponding regions between a reference and a target image. We find that correspondences enable automatic generation of instance-level segmentation masks for downstream tasks and instantiate our ideas via a multi-stage, training-free method incorporating (1) memory bank construction; (2) representation aggregation and (3) semantic-aware feature matching. Our experiments show significant improvements on segmentation metrics, leading to state-of-the-art performance on COCO FSOD (36.8% nAP), PASCAL VOC Few-Shot (71.2% nAP50) and outperforming existing training-free approaches on the Cross-Domain FSOD benchmark (22.4% nAP).

🧠 Architecture

🛠️ Installation instructions

1. Clone the repository

git clone https://github.com/miquel-espinosa/no-time-to-train.git
cd no-time-to-train

2. Создайте окружение conda

Мы создадим окружение conda с необходимыми пакетами.

conda env create -f environment.yml
conda activate no-time-to-train

3. Установите SAM2 и DINOv2

Мы установим SAM2 и DINOv2 из исходного кода.

pip install -e .
cd dinov2
pip install -e .
cd ..

4. Загрузка наборов данных

Пожалуйста, скачайте набор данных COCO и поместите его в data/coco

5. Загрузка контрольных точек SAM2 и DINOv2

Мы скачаем те же контрольные точки SAM2, что использовались в статье. (Обратите внимание, что контрольные точки SAM2.1 уже доступны и могут работать лучше.)

mkdir -p checkpoints/dinov2
cd checkpoints
wget https://dl.fbaipublicfiles.com/segment_anything_2/072824/sam2_hiera_large.pt
cd dinov2
wget https://dl.fbaipublicfiles.com/dinov2/dinov2_vitl14/dinov2_vitl14_pretrain.pth
cd ../..

📊 Код для инференса

⚠️ Отказ от ответственности: Это исследовательский код — ожидайте некоторого хаоса!

Воспроизведение результатов SOTA с 30 примерами на Few-shot COCO

Определите полезные переменные и создайте папку для результатов:

CONFIG=./no_time_to_train/new_exps/coco_fewshot_10shot_Sam2L.yaml
CLASS_SPLIT="few_shot_classes"
RESULTS_DIR=work_dirs/few_shot_results
SHOTS=30
SEED=33
GPUS=4
mkdir -p $RESULTS_DIR
FILENAME=few_shot_${SHOTS}shot_seed${SEED}.pkl

python no_time_to_train/dataset/few_shot_sampling.py \
        --n-shot $SHOTS \
        --out-path ${RESULTS_DIR}/${FILENAME} \
        --seed $SEED \
        --dataset $CLASS_SPLIT

python run_lightening.py test --config $CONFIG \
                              --model.test_mode fill_memory \
                              --out_path ${RESULTS_DIR}/memory.ckpt \
                              --model.init_args.model_cfg.memory_bank_cfg.length $SHOTS \
                              --model.init_args.dataset_cfgs.fill_memory.memory_pkl ${RESULTS_DIR}/${FILENAME} \
                              --model.init_args.dataset_cfgs.fill_memory.memory_length $SHOTS \
                              --model.init_args.dataset_cfgs.fill_memory.class_split $CLASS_SPLIT \
                              --trainer.logger.save_dir ${RESULTS_DIR}/ \
                              --trainer.devices $GPUS

python run_lightening.py test --config $CONFIG \
                              --model.test_mode postprocess_memory \
                              --model.init_args.model_cfg.memory_bank_cfg.length $SHOTS \
                              --ckpt_path ${RESULTS_DIR}/memory.ckpt \
                              --out_path ${RESULTS_DIR}/memory_postprocessed.ckpt \
                              --trainer.devices 1

python run_lightening.py test --config $CONFIG  \
                              --ckpt_path ${RESULTS_DIR}/memory_postprocessed.ckpt \
                              --model.init_args.test_mode test \
                              --model.init_args.model_cfg.memory_bank_cfg.length $SHOTS \
                              --model.init_args.model_cfg.dataset_name $CLASS_SPLIT \
                              --model.init_args.dataset_cfgs.test.class_split $CLASS_SPLIT \
                              --trainer.logger.save_dir ${RESULTS_DIR}/ \
                              --trainer.devices $GPUS

    --model.init_args.model_cfg.test.online_vis True

    --model.init_args.model_cfg.test.vis_thr 0.4

Обратите внимание, что в этом примере мы используем разбиение few_shot_classes, поэтому мы должны ожидать увидеть только сегментированные экземпляры классов из этого разбиения (а не всех классов COCO).

#### Результаты

После обработки всех изображений из набора для валидации вы должны получить:

BBOX RESULTS:
  Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.368
SEGM RESULTS:
  Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.342

🔍 Пользовательский датасет

Мы предоставляем инструкции по запуску нашего пайплайна на пользовательском датасете. Формат аннотаций всегда COCO.

Кратко; Чтобы сразу увидеть, как запустить полный пайплайн на пользовательских датасетах, смотрите scripts/matching_cdfsod_pipeline.sh вместе с примерами скриптов для датасетов CD-FSOD (например, scripts/dior_fish.sh)

0. Подготовьте пользовательский датасет ⛵🐦

Представим, что мы хотим обнаруживать лодки⛵ и птиц🐦 в пользовательском датасете. Чтобы использовать наш метод, потребуется:

• Как минимум 1 аннотированное эталонное изображение для каждого класса (т.е. 1 эталон для лодки и 1 эталон для птицы)
• Несколько целевых изображений для поиска экземпляров нужных нам классов.

mkdir -p data/my_custom_dataset
python scripts/make_custom_dataset.py

data/my_custom_dataset/
    ├── annotations/
    │   ├── custom_references.json
    │   ├── custom_targets.json
    │   └── references_visualisations/
    │       ├── bird_1.jpg
    │       └── boat_1.jpg
    └── images/
        ├── 429819.jpg
        ├── 101435.jpg
        └── (all target and reference images)

| 1-shot эталонное изображение для ПТИЦЫ 🐦 | 1-shot эталонное изображение для ЛОДКИ ⛵ | |:-----------------------------------------:|:------------------------------------------:| | | |

0.1 Если доступны только аннотации bbox

Мы также предоставляем скрипт для генерации масок сегментации объектов с помощью SAM2. Это полезно, если для эталонных изображений доступны только аннотации ограничивающими рамками.

# Download sam_h checkpoint. Feel free to use more recent checkpoints (note: code might need to be adapted)
wget https://dl.fbaipublicfiles.com/segment_anything/sam_vit_h_4b8939.pth -O checkpoints/sam_vit_h_4b8939.pth
Run automatic instance segmentation from ground truth bounding boxes.
python no_time_to_train/dataset/sam_bbox_to_segm_batch.py \
    --input_json data/my_custom_dataset/annotations/custom_references.json \
    --image_dir data/my_custom_dataset/images \
    --sam_checkpoint checkpoints/sam_vit_h_4b8939.pth \
    --model_type vit_h \
    --device cuda \
    --batch_size 8 \
    --visualize

Визуализация сгенерированных масок сегментации сохранена в data/my_custom_dataset/annotations/custom_references_with_SAM_segm/references_visualisations/.

| 1-shot референсное изображение ПТИЦЫ 🐦 (автоматически сегментировано SAM) | 1-shot референсное изображение ЛОДКИ ⛵ (автоматически сегментировано SAM) | |:---------------------------------:|:----------------------------------:| | | |

0.2 Конвертация аннотаций coco в файл pickle

python no_time_to_train/dataset/coco_to_pkl.py \
    data/my_custom_dataset/annotations/custom_references_with_segm.json \
    data/my_custom_dataset/annotations/custom_references_with_segm.pkl \
    1

1. Заполните память ссылками

Сначала определите полезные переменные и создайте папку для результатов. Для корректной визуализации меток имена классов должны быть упорядочены по id категории, как указано в файле json. Например, у bird id категории 16, у boat id категории 9. Следовательно, CAT_NAMES=boat,bird.

DATASET_NAME=my_custom_dataset
DATASET_PATH=data/my_custom_dataset
CAT_NAMES=boat,bird
CATEGORY_NUM=2
SHOT=1
YAML_PATH=no_time_to_train/pl_configs/matching_cdfsod_template.yaml
PATH_TO_SAVE_CKPTS=./tmp_ckpts/my_custom_dataset
mkdir -p $PATH_TO_SAVE_CKPTS

python run_lightening.py test --config $YAML_PATH \
    --model.test_mode fill_memory \
    --out_path $PATH_TO_SAVE_CKPTS/$DATASET_NAME\_$SHOT\_refs_memory.pth \
    --model.init_args.dataset_cfgs.fill_memory.root $DATASET_PATH/images \
    --model.init_args.dataset_cfgs.fill_memory.json_file $DATASET_PATH/annotations/custom_references_with_segm.json \
    --model.init_args.dataset_cfgs.fill_memory.memory_pkl $DATASET_PATH/annotations/custom_references_with_segm.pkl \
    --model.init_args.dataset_cfgs.fill_memory.memory_length $SHOT \
    --model.init_args.dataset_cfgs.fill_memory.cat_names $CAT_NAMES \
    --model.init_args.model_cfg.dataset_name $DATASET_NAME \
    --model.init_args.model_cfg.memory_bank_cfg.length $SHOT \
    --model.init_args.model_cfg.memory_bank_cfg.category_num $CATEGORY_NUM \
    --trainer.devices 1

2. Постобработка банка памяти

python run_lightening.py test --config $YAML_PATH \
    --model.test_mode postprocess_memory \
    --ckpt_path $PATH_TO_SAVE_CKPTS/$DATASET_NAME\_$SHOT\_refs_memory.pth \
    --out_path $PATH_TO_SAVE_CKPTS/$DATASET_NAME\_$SHOT\_refs_memory_postprocessed.pth \
    --model.init_args.model_cfg.dataset_name $DATASET_NAME \
    --model.init_args.model_cfg.memory_bank_cfg.length $SHOT \
    --model.init_args.model_cfg.memory_bank_cfg.category_num $CATEGORY_NUM \
    --trainer.devices 1

#### 2.1 Визуализация постобработанного банка памяти

python run_lightening.py test --config $YAML_PATH \
    --model.test_mode vis_memory \
    --ckpt_path $PATH_TO_SAVE_CKPTS/$DATASET_NAME\_$SHOT\_refs_memory_postprocessed.pth \
    --model.init_args.dataset_cfgs.fill_memory.root $DATASET_PATH/images \
    --model.init_args.dataset_cfgs.fill_memory.json_file $DATASET_PATH/annotations/custom_references_with_segm.json \
    --model.init_args.dataset_cfgs.fill_memory.memory_pkl $DATASET_PATH/annotations/custom_references_with_segm.pkl \
    --model.init_args.dataset_cfgs.fill_memory.memory_length $SHOT \
    --model.init_args.dataset_cfgs.fill_memory.cat_names $CAT_NAMES \
    --model.init_args.model_cfg.dataset_name $DATASET_NAME \
    --model.init_args.model_cfg.memory_bank_cfg.length $SHOT \
    --model.init_args.model_cfg.memory_bank_cfg.category_num $CATEGORY_NUM \
    --trainer.devices 1

3. Инференс на целевых изображениях

Если ONLINE_VIS установлен в True, результаты предсказания будут сохранены в results_analysis/my_custom_dataset/ и отображаться по мере вычисления. ОБРАТИТЕ ВНИМАНИЕ, что запуск с онлайн-визуализацией значительно медленнее.

Вы можете свободно изменять порог оценки VIS_THR, чтобы видеть больше или меньше сегментированных экземпляров.

ONLINE_VIS=True
VIS_THR=0.4
python run_lightening.py test --config $YAML_PATH \
    --model.test_mode test \
    --ckpt_path $PATH_TO_SAVE_CKPTS/$DATASET_NAME\_$SHOT\_refs_memory_postprocessed.pth \
    --model.init_args.model_cfg.dataset_name $DATASET_NAME \
    --model.init_args.model_cfg.memory_bank_cfg.length $SHOT \
    --model.init_args.model_cfg.memory_bank_cfg.category_num $CATEGORY_NUM \
    --model.init_args.model_cfg.test.imgs_path $DATASET_PATH/images \
    --model.init_args.model_cfg.test.online_vis $ONLINE_VIS \
    --model.init_args.model_cfg.test.vis_thr $VIS_THR \
    --model.init_args.dataset_cfgs.test.root $DATASET_PATH/images \
    --model.init_args.dataset_cfgs.test.json_file $DATASET_PATH/annotations/custom_targets.json \
    --model.init_args.dataset_cfgs.test.cat_names $CAT_NAMES \
    --trainer.devices 1

Результаты

Показатели производительности (с теми же параметрами, что и в приведённых выше командах), должны быть следующими:

BBOX RESULTS:
  Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.478
SEGM RESULTS:
  Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.458

Нажмите на изображения для увеличения ⬇️

| Целевое изображение с лодками ⛵ (слева GT, справа предсказания) | Целевое изображение с птицами 🐦 (слева GT, справа предсказания) | |:----------------------:|:----------------------:| | | |

| Целевое изображение с лодками и птицами ⛵🐦 (слева GT, справа предсказания) | Целевое изображение без лодок и птиц 🚫 (слева GT, справа предсказания) | |:---------------------------------:|:----------------------------------:| | | |

🔬 Абляционные исследования

Абляция бэкбона

Для оценки переносимости нашего метода на различные foundation-модели мы заменяем как семантический энкодер (DINOv2), так и сегментатор на основе SAM на несколько альтернатив.

Абляция семантического энкодера:

# CLIP (Sizes: b16, b32, l14, l14@336px)
bash scripts/clip/clipl14@336px.sh
bash scripts/clip/clipl14.sh
bash scripts/clip/clipb16.sh
bash scripts/clip/clipb32.sh
DINOV3 (Sizes: b, l, h)
bash scripts/dinov3/dinov3b.sh
bash scripts/dinov3/dinov3l.sh
bash scripts/dinov3/dinov3h.sh
PE (Sizes: g14, l14)
bash scripts/pe/PEg14.sh
bash scripts/pe/PEl14.sh

Абляция сегментатора:

# SAM2 (Sizes: tiny, small, base+, large)
bash scripts/sam2/sam2_tiny.sh
bash scripts/sam2/sam2_small.sh
bash scripts/sam2/sam2_base_plus.sh
bash scripts/baseline/dinov2_sam_baseline.sh # SAM2 Large

Оценка VLM на COCO датасете с малым количеством примеров

Мы оцениваем QWEN VLM на COCO датасете с малым количеством примеров.

bash scripts/vl-qwen/ablation-vl-qwen.sh

Эвристики эталонного изображения

Чтобы понять, почему различные эталонные изображения приводят к изменению производительности, мы анализируем статистические свойства аннотаций новых классов COCO.

#### АНАЛИЗ

Мы изучаем три характеристики аннотаций: (1) площадь маски (размер объекта), (2) расположение центра маски и (3) расстояние до краев изображения.

# Mask area distribution
python no_time_to_train/make_plots/mask_area_distribution.py \
  --input data/coco/annotations/instances_val2017.json \
  --output no_time_to_train/make_plots/mask_area_distribution/mask_area_distribution.png \
  --edges-output no_time_to_train/make_plots/mask_area_distribution/bbox_edge_distance_histograms.png \
  --center-output no_time_to_train/make_plots/mask_area_distribution/bbox_center_density.png \
  --bins 80 \
  --distance-bins 80 \
  --disable-center-density
Bbox center positions
python no_time_to_train/make_plots/bbox_positions.py \
	--per-class-root data/coco/annotations/per_class_instances \
	--filename centeredness_2d_hist_plain.png \
	--max-cols 6 \
	--output-dir ./no_time_to_train/make_plots/bbox_positions \
	--outfile grid_bbox_positions.png

[ВЫВОД] Распределение площади маски

[ВЫВОД] Плотность центров ограничивающих рамок (bbox)

[ВЫВОД] Гистограммы расстояний до границ bbox

#### ВЫБОР

Мы выбираем 100 различных эталонных изображений на класс, явно охватывая диапазон размеров масок, центров и расстояний до краев. Каждый эталон оценивается на фиксированном сокращённом подмножестве валидации.

bash scripts/1shot_ref_ablation/setup.sh

# Example launch script that calls template script for each reference set
bash scripts/1shot_ref_ablation/gpu0.sh

#### РЕЗУЛЬТАТЫ

Мы анализируем, как оценки обнаружения коррелируют с характеристиками эталонного изображения (размер маски, положение центра, расстояние до края).

python no_time_to_train/make_plots/heuristics_analysis.py
Outputs: 
- no_time_to_train/make_plots/heuristics_analysis/heatmap_bbox_norm_scores.png
- no_time_to_train/make_plots/heuristics_analysis/heatmap_segm_norm_scores.png
- no_time_to_train/make_plots/heuristics_analysis/heatmap_center_bbox_norm_scores_kde_smooth.png
- no_time_to_train/make_plots/heuristics_analysis/heatmap_center_bbox_norm_scores.png
- no_time_to_train/make_plots/heuristics_analysis/heatmap_center_segm_norm_scores_kde_smooth.png
- no_time_to_train/make_plots/heuristics_analysis/heatmap_center_segm_norm_scores.png
- no_time_to_train/make_plots/heuristics_analysis/per_class_area_vs_raw_scores.png
- no_time_to_train/make_plots/heuristics_analysis/all_classes_area_vs_norm_scores.png
- no_time_to_train/make_plots/heuristics_analysis/edge_distance_vs_norm_scores.png
- no_time_to_train/make_plots/heuristics_analysis/bars_area_category_norm_scores.png
- no_time_to_train/make_plots/heuristics_analysis/bars_centered_norm_scores.png
- no_time_to_train/make_plots/heuristics_analysis/bars_avoid_sides_norm_scores.png

[OUTPUT] Столбчатые диаграммы. Влияние площади маски (слева) и её центрированности (справа) на производительность

[OUTPUT] Тепловые карты. 2D карты баллов производительности как функция положения центра маски

[OUTPUT] Производительность по эталонному изображению в зависимости от площади маски для всех новых классов COCO

Деградация эталонного изображения

Мы оцениваем наш метод при постепенном ухудшении эталонных изображений, применяя возрастающие уровни гауссового размытия.

# Run different blur levels
bash scripts/blur_ablation/blur_ablation.sh
Plot grid of blur ablation results
python no_time_to_train/make_plots/plot_blur_results.py \
    --results-root ./work_dirs/blur_ablation \
    --class-id 0 \
    --max-cols 4 \
    --output-dir ./no_time_to_train/make_plots/blur_ablation \
    --outfile grid_blur_ablation_class_0.png

Сходство признаков

Скрипт для визуализации сходства признаков между эталонными и целевыми изображениями.

Он генерирует сходство по отдельным признакам (признаки путей) и сходство на основе прототипов (агрегированные признаки).

python no_time_to_train/make_plots/feature_similarity.py \
  --classes orange \  
  --num-images 20 \
  --min-area 12 \
  --max-area 25000 \
  --min-instances 2 \
  --seed 123 \
  --max-per-class 12

t-SNE графики (разделимость признаков DINOv2)

t-SNE признаков DINOv2 показывает чёткое разделение для непохожих классов, но сильное перекрытие для похожих, что указывает на то, что путаница возникает из-за геометрии признаков бэконета, а не из-за выбора прототипов.

python no_time_to_train/make_plots/tsne-coco.py --extract

# Example spoon vs fork
python no_time_to_train/make_plots/tsne-coco.py --classes cat dog

🛠️ Вспомогательные инструменты

Визуализация памяти

добавьте изображение feature_comparison_small.png здесь

python run_lightening.py test --config $CONFIG \
    --model.test_mode vis_memory \
    --ckpt_path $RESULTS_DIR/memory_postprocessed.ckpt \
    --model.init_args.dataset_cfgs.fill_memory.memory_pkl $RESULTS_DIR/$FILENAME \
    --model.init_args.dataset_cfgs.fill_memory.memory_length $SHOT \
    --model.init_args.dataset_cfgs.fill_memory.class_split $CLASS_SPLIT \
    --model.init_args.model_cfg.dataset_name $CLASS_SPLIT \
    --model.init_args.model_cfg.memory_bank_cfg.length $SHOT \
    --model.init_args.model_cfg.memory_bank_cfg.category_num $CATEGORY_NUM \
    --trainer.devices 1

Измените размер изображений до 512x512 (сделайте изображения квадратными)

Чтобы изменить размер изображений до 512x512 и сохранить их в новой директории, выполните следующую команду. Это для иллюстраций к статье.

python no_time_to_train/make_plots/paper_fig_square_imgs.py

Размер модели и память

Чтобы вычислить размер модели и объем используемой памяти, выполните следующую команду.

🌍 EO датасеты

Скрипты оценки (EO датасеты)

Скрипты для оценки находятся в каталоге scripts/EO. EO датасеты используют скрипт ./scripts/EO/EO_template.sh для запуска оценки.

Каждый запуск эксперимента EO сохраняется в каталоге ./EO_results. В папке эксперимента мы храним:

• Файл summary.txt с конфигурацией и временем выполнения эксперимента.
• Визуализации предсказаний на тестовом наборе (results_analysis папка).
• Визуализации памяти (memory_vis папка).
• Файл аннотаций few-shot в формате pickle.
• Контрольные точки модели (если не были удалены).

Фигуры и таблицы

python scripts/convert_datasets/summary_table_datasets.py

python scripts/paper_figures/table_EO_results.py ./EO_results_no_heuristics

python scripts/paper_figures/plot_EO_accuracy.py \
  --input-root ./EO_results \
  --output-root ./EO_results

python scripts/paper_figures/plot_EO_heuristic.py \
  --no-heuristics ./EO_results_no_heuristics \
  --heuristics ./EO_results

python scripts/paper_figures/plot_EO_runtime.py \
  --input-root ./EO_results \
  --output-root ./EO_results

python scripts/paper_figures/plot_EO_grid.py \
  --root ./EO_results_no_heuristics \
  --dataset ISAID \
  --shots 1

📚 Citation

If you use this work, please cite us:

@article{espinosa2025notimetotrain,
  title={No time to train! Training-Free Reference-Based Instance Segmentation},
  author={Miguel Espinosa and Chenhongyi Yang and Linus Ericsson and Steven McDonagh and Elliot J. Crowley},
  journal={arXiv preprint arXiv:2507.02798},
  year={2025},
  primaryclass={cs.CV}
}

--- Tranlated By Open Ai Tx | Last indexed: 2026-03-13 ---