🌐 語言

🚀 沒有時間訓練！

無需訓練的參考式實例分割

最先進技術（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)

🚨 更新（2026年2月5日）：論文手稿已更新，包含大量消融實驗、視覺化和額外實驗。

🚨 更新（2025年7月22日）：已新增自訂資料集的說明！

🔔 更新（2025年7月16日）：程式碼已更新，並附有使用說明！

📋 目錄

🎯 亮點
📜 摘要
🧠 架構
🛠️ 安裝說明
1. 複製本專案
2. 建立 conda 環境
3. 安裝 SAM2 與 DINOv2
4. 下載資料集
5. 下載 SAM2 與 DINOv2 權重檔
📊 推論程式碼：於 Few-shot COCO 重現 30-shot SOTA 結果
0. 建立參考集
1. 以參考集填充記憶體
2. 後處理記憶庫
3. 目標影像推論

結果
🔍 自訂資料集
0. 準備自訂資料集 ⛵🐦
0.1 僅有 bbox 標註時
0.2 將 coco 標註轉為 pickle 檔案
1. 以參考資料填充記憶體
2. 後處理記憶體庫
📚 引用

🎯 重點亮點

💡 免訓練：無需微調、無需提示工程——只需要一張參考圖片。
🖼️ 基於參考：僅用少量範例即可分割新物件。
🔥 SOTA 表現：在 COCO、PASCAL VOC 與跨領域 FSOD 上超越以往免訓練方法。

連結：

📜 摘要

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).

cdfsod-results-final-comic-sans-min

🧠 Architecture

training-free-architecture-comic-sans-min

🛠️ Installation instructions

1. Clone the repository

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

2. 建立 conda 環境

我們將建立一個包含所需套件的 conda 環境。

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

3. 安裝 SAM2 和 DINOv2

我們將從原始碼安裝 SAM2 和 DINOv2。

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

4. 下載資料集

請下載 COCO 資料集並將其放置於 data/coco

5. 下載 SAM2 和 DINOv2 檢查點

我們將下載論文中使用的 SAM2 檢查點。（請注意，SAM2.1 檢查點已經可用，且可能表現更佳。）

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 ../..

📊 推論程式碼

⚠️ 免責聲明：這是研究用程式碼——請預期會有一些混亂！

在 Few-shot COCO 中重現 30-shot SOTA 結果

定義有用的變數並為結果建立資料夾：

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=4mkdir -p $RESULTS_DIR
FILENAME=few_shot_${SHOTS}shot_seed${SEED}.pkl

#### 0. 建立參考集

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

#### 1. 用參考填充記憶體

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

#### 2. 後處理記憶體庫

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

#### 3. 在目標影像上進行推論

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

如果您希望在線查看推論結果（在計算時即時顯示），請添加以下參數：

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

要調整分數閾值 score_thr 參數，請添加該參數（例如，僅顯示分數高於 0.4 的所有實例）：

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

圖像現在將被儲存在 results_analysis/few_shot_classes/。左側的圖像顯示了真實標註，右側的圖像則顯示了我們無需訓練方法找到的分割實例。

請注意，在這個例子中我們使用的是 few_shot_classes 分割，因此，我們應該只會看到這個分割中的類別分割實例（而不是 COCO 中的所有類別）。

#### 結果

在運行完驗證集中的所有圖像後，你應該會得到：

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

🔍 自訂資料集

我們提供了在自訂資料集上運行我們流程的操作說明。註釋格式一律採用 COCO 格式。

總結； 若要直接查看如何在自訂資料集上運行完整流程，請參考 scripts/matching_cdfsod_pipeline.sh 以及 CD-FSOD 資料集的範例腳本（例如 scripts/dior_fish.sh）

0. 準備自訂資料集 ⛵🐦

假設我們想在自訂資料集中偵測船隻⛵和鳥類🐦。要使用我們的方法，您需要：

每個類別至少 1 張已註釋的參考圖片（即 1 張船的參考圖片和 1 張鳥的參考圖片）
多張目標圖片，用以尋找我們目標類別的實例。

我們已準備了一個簡易腳本，能夠以 coco 圖片創建自訂資料集，適用於1-shot設置。

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

這將會建立一個具有以下資料夾結構的自訂資料集：

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)

參考圖片視覺化（1-shot）：

0.1 僅有 bbox 標註時

我們也提供一個腳本，利用 SAM2 生成實例級分割遮罩。這在僅有參考圖片的邊界框標註時非常有用。

# 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

帶有實例級分割遮罩的參考圖像（由 SAM2 根據 gt 邊界框生成，1-shot）：

產生的分割遮罩視覺化結果已儲存在 data/my_custom_dataset/annotations/custom_references_with_SAM_segm/references_visualisations/。

0.2 將 coco 標註轉換為 pickle 檔案

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. 以參考資料填充記憶體

首先，定義有用的變數並建立一個用於儲存結果的資料夾。為了正確顯示標籤，類別名稱應按照 json 檔案中出現的類別 id 順序排列。例如，bird 的類別 id 為 16，boat 的類別 id 為 9。因此，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

執行步驟 1：

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. 後處理記憶體庫

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 視覺化後處理記憶體庫

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

記憶庫影像的 PCA 及 K-means 視覺化結果儲存在 results_analysis/memory_vis/my_custom_dataset。

3. 對目標影像進行推論

如果將 ONLINE_VIS 設為 True，預測結果會儲存在 results_analysis/my_custom_dataset/，並在計算時即時顯示。請注意，開啟即時視覺化會大幅降低運行速度。

歡迎調整分數閾值 VIS_THR，以查看更多或更少分割的實例。

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

結果

性能指標（使用與上述指令完全相同的參數）應如下所示：

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

視覺結果儲存在 results_analysis/my_custom_dataset/。請注意，我們的方法適用於偽陰性，也就是不包含任何目標類別實例的圖像。

點擊圖片可放大 ⬇️

| 目標圖像：含有船隻 ⛵（左為GT，右為預測） | 目標圖像：含有鳥類 🐦（左為GT，右為預測） | |:----------------------:|:----------------------:| | 000000459673 | 000000407180 |

| 目標圖像：同時含有船隻及鳥類 ⛵🐦（左為GT，右為預測） | 目標圖像：不含船隻或鳥類 🚫（左為GT，右為預測） | |:---------------------------------:|:----------------------------------:| | 000000517410 | 000000460598 |

🔬 消融實驗

主幹網路消融

為了評估我們方法在不同基礎模型上的可遷移性，我們將語義編碼器（DINOv2）與基於SAM的分割器替換為多種其他選項。

語義編碼器消融：

# 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

分割器消融：

# 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

在 COCO 少量樣本資料集上的 VLM 評估

我們在 COCO 少量樣本資料集上評估 QWEN VLM。

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

參考圖像啟發式

為了理解為什麼不同的參考圖像會導致性能變化，我們分析了 COCO 新類別標註的統計特性。

#### 分析

我們研究了三個標註特徵：(1) 遮罩區域（物體尺寸）， (2) 遮罩中心位置，以及 (3) 距離圖像邊緣的距離。

操作說明：

# 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

[輸出] 遮罩區域分布

[輸出] 邊界框中心密度

[輸出] 邊界框邊緣距離直方圖

#### 選擇

我們針對每個類別取樣 100 張多樣化 NBSP; 參考圖像，明確覆蓋不同的遮罩大小、中心和邊緣距離範圍。每個參考圖像會在一個固定且縮減的驗證子集中進行評估。

操作說明：

設定腳本： scripts/1shot_ref_ablation/setup.sh：

建立每個類別的 json 檔案
分析特定類別
以不同啟發式方法建立參考集

bash scripts/1shot_ref_ablation/setup.sh

執行腳本： scripts/1shot_ref_ablation/gpu*.sh：

為每個參考集執行流程

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

#### 結果

我們分析了檢測分數與參考圖像特徵（遮罩大小、中心位置、邊緣距離）的相關性。

操作說明：

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

[輸出] 條形圖。遮罩區域（左）與中心化程度（右）對性能的影響

[輸出] 熱力圖。性能隨遮罩中心位置變化的二維分數圖

[輸出] 參考圖像性能與所有 COCO 新穎類別的遮罩區域關係

參考圖像退化

我們通過施加越來越強的高斯模糊，對逐步退化的參考圖像下的方法進行評估。 ablation-blur

說明：

# 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

特徵相似度

用於視覺化參考圖像與目標圖像之間特徵相似度的腳本。

它可生成單一特徵相似度（路徑特徵），以及基於原型的相似度（聚合特徵）。 feature_similarity_small

操作說明：

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 圖（DINOv2 特徵可分性）

DINOv2 特徵的 t-SNE 顯示對於不同類別有明顯分離，但對於相似類別則有大量重疊，這表示混淆源於骨幹特徵的幾何結構，而不是原型的選擇。 tsne

操作說明：

提取特徵

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

繪製 T-SNE 圖

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

🛠️ 幫助工具

記憶體視覺化

在此加入圖片 feature_comparison_small.png

說明

若要視覺化某實驗的記憶體庫（PCA 和 K-means 視覺化），請調整下方指令。

請設定 DO_NOT_CROP 為 True/False（在 no_time_to_train/models/Sam2MatchingBaseline_noAMG.py）以決定參考圖像是否帶有裁切遮罩進行視覺化。

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

將圖片調整為 512x512（使圖片為正方形）

要將圖片調整為 512x512 並保存到新目錄，請執行以下命令。這是針對論文圖表。

操作說明：

python no_time_to_train/make_plots/paper_fig_square_imgs.py

模型大小與記憶體

要計算模型大小與記憶體，請運行以下指令。

操作說明：

請參考 no_time_to_train/models/Sam2MatchingBaseline_noAMG_model_and_memory.py 來計算模型大小與記憶體。

（最簡單：暫時替換為 Sam2MatchingBaseline_noAMG.py，然後再改回來。）

🌍 EO 資料集

評估腳本（EO 資料集）

評估腳本可於 scripts/EO 目錄中找到。EO 資料集使用 ./scripts/EO/EO_template.sh 腳本來執行評估。

每個 EO 實驗運行都會被儲存在 ./EO_results 目錄下。在實驗資料夾中我們會儲存：

summary.txt 檔案（包含實驗設定與執行時間）。
測試集的預測視覺化（results_analysis 資料夾）。
記憶體視覺化（memory_vis 資料夾）。
少樣本註解的 pickle 檔案。
模型的檢查點（如果未被清理）。

圖表與表格

用於產生圖表和表格的額外腳本。

EO 資料集的摘要 latex 表格：

python scripts/convert_datasets/summary_table_datasets.py

生成 EO 數據集的 LaTeX 表格：

python scripts/paper_figures/table_EO_results.py ./EO_results_no_heuristics

EO數據集的準確度圖：

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

啟發式對 EO 數據集影響的總結：

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

EO 數據集的執行時間圖：

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

為論文圖表生成EO網格視覺化：

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 ---