42、少样本分割的类间原型关系研究

少样本分割的类间原型关系研究

1. 引言

传统语义分割需要大量带标签的图像数据集，并且只能在预定义的类别内进行预测。少样本分割问题的解决至关重要，它仅需要少量新目标类别的注释。然而，在少样本分割中，由于样本数据的细微变化，目标类在特征空间中的数据分布稀疏且覆盖范围低，难以设置合适的分类边界将目标类与其他类分开，尤其是在边界附近与目标类特征相似的类别更难分类。

少样本分割是基于少样本学习技术的扩展，它要解决为每个像素预测标签这一更具挑战性的任务。少样本学习的主流方法有元学习和度量学习，近年来度量学习在少样本分割问题上的研究较为活跃且取得了成功。

目前基于度量学习的少样本分割方法，会利用支持数据生成一种全局描述符——原型，通过将原型与查询图像的特征进行比较来进行推理。此前有研究引入分离前景和背景的机制，以及多尺度架构等，但在少样本情况下，由于支持数据的变化少，原型生成是在稀疏特征空间中进行的，很难获得能对与目标类特征相似的类别进行分类的原型，且由于少样本的问题设置，无法增加目标类的数据量使特征空间变得密集。

因此，本文提出了类间原型关系网络（IPRNet），通过降低不同类型之间的相似性来提高分离性能，突出相似类原型之间的差异。IPRNet包含类间原型关系模块（IPRM）和各自分类器模块（RCM），旨在通过降低原型之间的相似性和提取类间差异来提高对相似类别的识别性能。

2. 相关工作

• 语义分割 ：基于卷积神经网络（CNNs）的深度神经网络在语义分割中取得了成功。从全卷积网络开始，特别是Segnet提出的编码器 - 解码器结构已成为近年来语义分割的基本网络结构。此外，还出现