基于层间交互增强网络的小样本图像语义分割

宋桂平; 刘显琼; 刘云波

doi:10.16163/j.cnki.dslkxb202404060003

东北师大学报（自然科学版） ›› 2026, Vol. 58 ›› Issue (2) : 63 -72. DOI: 10.16163/j.cnki.dslkxb202404060003

基于层间交互增强网络的小样本图像语义分割

宋桂平, 刘显琼, 刘云波

作者信息 +

Author information +

文章历史 +

摘要

现有小样本图像语义分割方法存在对有限支持样本信息利用不充分的问题，对此提出一种基于层间交互增强网络的小样本图像语义分割方法.首先，利用一组共享权重的主干网络将支持图像和查询图像映射到深度特征空间，并在层间构造多尺度信息集；然后，借助自注意力机制、交叉注意力机制来建立支持分支和查询分支内与分支间的信息交互，以此增强任务相关区域特征的表达能力；最后，在分支内自注意力特征图和分支间交叉注意力特征图上，利用全局平均池化构造多原型集，利用该原型集指导查询图像中未知目标的逐像素分类.利用Vgg-16、ResNet-50和ResNet-101作为主干网络，在开源PASCAL-5ⁱ数据集上进行测试，所提出方法在1-way 1-shot和1-way 5-shot任务上分别可以获得57.2%,58.7%,61.1%和60.7%,62.4%,64.5%的前景细粒度分类指标(m_IoU)以及69.1%,71.8%,73.5%和71.3%,72.3%,75.9%的前景和背景二分类指标(F_B-IoU)得分；在开源COCO-20ⁱ数据集上进行测试，所提出方法在1-way 1-shot和1-way 5-shot任务上分别可以获得26.4%,34.1%,36.3%和35.0%,36.1%,42.2%的m_IoU以及62.4%,64.2%,65.7%和65.1%,67.3%,69.4%的F_B-IoU得分，相比当前主流的小样本图像语义分割方法，本文方法的综合得分提升显著.