43、少样本分割中的类间原型关系研究

少样本分割中的类间原型关系研究

1. 损失函数定义

在少样本分割研究中，最终预测结果会结合损失值 $L_f$ 等因素，通过以下公式（7）来定义损失 $L_p$：
$L_p = αL_1 + βL_0 + γL_f$ （7）
其中，$α$、$β$ 和 $γ$ 是权重系数，分别被设置为 $α = 0.15$，$β = 0.15$，$γ = 0.7$。

2. 实验设置

2.1 数据集和评估指标

为了分析 IPRNet 的性能，选择了两个广泛用于少样本分割的数据集：Pascal - 5i 和 COCO - 20i。
- Pascal - 5i ：包含 PASCAL VOC 2012 的图像以及 SBD 的额外注释。将二十个类别均匀分为四个子集，采用交叉验证方法进行模型训练。训练时选取三个子集作为训练数据，剩余子集用于测试。测试时随机采样一千个支持 - 查询对进行评估。
- COCO - 20i ：是一个极具挑战性的大型数据集，有 82,081 张图像，且现实场景图像中包含众多对象。同样将八十个类别均匀分为四个子集，采用相同的交叉验证方案。为获得更稳定的结果，测试时随机采样 20,000 对。评估指标采用语义分割中常用的平均交并比（mIoU）。

同时，进行了消融实验以验证所提出的 IPRM 和 RCM 的影响。为验证相似类之间的分离性能，比较了 IPRNet 和没有 IPRM 和 RCM 的基线模型的每类 IoU 结果。

2.2 实现细节

• 骨干网络 </