基于自相关强化和原型监督的小样本语义分割方法

Read full text Summarise with VIRAT
Authors: Jiaxin LIU, 长春理工大学 光电测控与光信息传输技术教育部重点实验室,吉林 长春 130022, Chengjun Tian, HUANG Dandan, Zhi LIU, 长春理工大学 光电测控与光信息传输技术教育部重点实验室,吉林 长春 130022
Cited by: 0

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

小样本语义分割旨在完成标注稀缺条件下的像素级分类任务。为进一步提升基于原型网络的小样本语义分割对不可见类的泛化能力,针对支持样本与查询图像之间存在外观差异、原型质量不佳的问题,提出了一种基于自相关强化和原型监督的小样本语义分割方法。首先,设计自相关强化模块,利用查询图像内部像素间的自相关性驱使初始辅助先验向查询数据迁移,生成高层次类原型以得到具有高指点性的强化先验信息;其次,引入多重渐进式监督损失,以原型复原支持掩码的程度为原型质量监督指标,对原型进行自正则化更新,对辅助先验进行自匹配更新,有效提高了原型对支持信息的概括能力,鼓励辅助先验更多地保留与查询特征相关联的细节。所提出的方法在小样本基准数据集PASCAL-5i上进行验证,结果表明,1-shot设定下mIoU(mean intersection over union)值达到64.4%,FB-IoU(foreground-background intersection over union)值达到73.5%,该方法具备一定的先进性和有效性。

Fields of Study & Subjects

Domain Adaptation and Few-Shot Learning Advanced Neural Network Applications Remote-Sensing Image Classification

Publication details

Journal / source
Journal of Applied Optics
Volume
47
Issue
2
Pages
328–339
Publication date
1 January 2026
Language
ZH