wujing1_1的博客

现有的基于支持-查询匹配框架的小样本分割方法取得了很大的进展。但是他们仍然严重地受到了来自少量支持的类内变化的有限覆盖的影响。基于简单格式塔原理，即同一对象的像素比同一类不同对象的像素更相似，我们提出了一种新的自支持匹配策略，该策略使用查询原型来匹配查询特征，其中查询原型是从高置信度的查询预测中收集的。该策略能够有效地捕获查询对象的一致底层特征，从而匹配查询特征。提出了自适应的自支撑背景原型生成模块和自支撑损失，进一步方便了自支撑匹配过程。

小样本分割的挑战：现有的小样本分割方法普遍存在高级特征误用造成的泛化损失以及查询样本与支持样本的空间不一致等问题。

小样本分割（FSS）的研究引起了极大的关注，其目标是分割一个查询图像中的目标对象，仅给出几个标注的目标类支持图像。这个具有挑战性的任务的关键是充分利用信息的支持图像，通过利用细粒度的查询和支持图像之间的相关性。然而，大多数现有的方法要么将支持信息压缩到几个类的原型中，要么使用部分支持信息（例如。例如，在一个实施例中，仅前景），导致不可忽略的信息损失。在本文中，我们提出了密集像素级交叉查询和支持关注加权掩码聚合(DCAMA)，通过配对查询和支持特征之间的多级像素级关联，充分利用前景和背景支持信息。

本文从度量学习的角度来解决小样本分割问题，提出一种新的原型对齐网络来更好地利用支持集信息。PANet从嵌入空间内的一些支持图像中学习特定类的原型表示，然后通过将每个像素与学习到的原型进行匹配，对查询图像进行分割。通过非参数度量学习，PANet提供了代表每个语义类的高质量原型，这些原型同时还存在对不同类的判别信息。此外，PANet还引入了一种支持和查询之间的原型对齐正则化。在此基础上，PANet充分利用了来自支持的知识，在少镜头分割中提供了更好的泛化。目前存在的问题和方案。