基于多尺度原型分层匹配的小样本分割方法

摘要：

传统语义分割任务通常需要大量带标注的数据来进行训练,并且难以泛化至新的类别.小样本分割,旨在使用少量带标注的支持图像从查询图像中分割新类别目标对象.由于支持图像数据较少,从有限的支持图像中提取具有代表性的指导信息是小样本分割任务的重要挑战.为了解决这个问题,提出一种基于多尺度原型分层匹配的小样本分割方法.首先通过残差网络ResNet得到查询图像和支持图像的中层特征和高层特征;为进一步提取目标对象丰富的上下文特征信息,将提取的中层特征输入金字塔池化模块进行多尺度特征提取;最后基于原型学习的思想,对中层特征和高层特征分层生成原型并匹配修正,得到最终预测分割掩码.在PASCAL-5i数据集上进行实验研究,实验结果表明,在1-way 5-shot 的设定下,提出的方法在mI-oU指标上达到了66.7％,比当前主流模型PANet和PFENet分别提高了11.0％和4.8％,表明了该方法的有效性和先进性.

关键词：小样本分割、多尺度、语义分割、原型学习、残差网络

所属期刊栏目：50

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-09-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：197-203