双特征引导超相关性的少样本分割网络

摘要

少样本语义分割旨在仅有少数支持图像注释样本情况下学习从给定类的查询图像中分割目标对象，近年来基于特征匹配的方法面对这一任务取得了显著成功。然而，多匹配关系带来更多的类间和类内噪声，为缓解高维卷积的运算压力而对权重进行稀疏化也导致了特征相关性的细粒度匹配精度损失。为了缓解上述问题，提出了双特征引导超相关性的少样本分割网络（DFGHNet）。DFGHNet采用更加高效的4D卷积核以减少权重稀疏化导致的特征细粒度匹配精度损失，同时引入双特征掩码策略和采用不含可学习参数的非局部均值特征映射模块，在学习到的匹配模式进行相关性引导。在数据集PASCAL-5_i、COCO-20_i的标准少样本分割基准测试中，该方法的最大精度提升分别为4.8%和6.5%，验证了其有效性。

关键词

元学习 / 少样本学习 / 语义分割 / 少样本语义分割