إزالة الغموض المميز للفصل القليل التدريب

أحدث التطورات في التجزئة ذات العينات القليلة (FSS) استخدمت التوافق بين البكسلات الفردية بين ميزات الاستعلام (query) وميزات الدعم (support)، وعادة ما تعتمد على الانتباه المتبادل (cross attention)، والتي تُفعّل بشكل انتقائي ميزات الاستعلام من الفئة الأمامية (FG) التي تتوافق مع ميزات الدعم من نفس الفئة. ومع ذلك، نظرًا لحجم مجال الاستقبال الكبير في الطبقات العميقة للهيكل الأساسي (backbone)، فإن ميزات الاستعلام والفئة الأمامية من الدعم التي تُستخرج تكون بالضرورة مختلطة مع ميزات الخلفية (BG)، مما يعيق التوافق بين الفئة الأمامية والفئة الأمامية في إطار الانتباه المتبادل. وبالتالي، تُدمج ميزات الاستعلام من الفئة الأمامية مع عدد أقل من ميزات الدعم من الفئة الأمامية، أي أن المعلومات المقدمة من الدعم لا تُستغل بشكل جيد. تقدم هذه الورقة شبكة جديدة قابلة للإدخال تُسمى شبكة إزالة الغموض (AENet)، والتي يمكن دمجها في أي طريقة قائمة على الانتباه المتبادل لتجميع التجزئة ذات العينات القليلة. الفكرة الأساسية هي استخراج مناطق استعلام فئة أمامية تمييزية لتصحيح الميزات الغامضة من الفئة الأمامية، مما يزيد من نسبة المعلومات من الفئة الأمامية، وبالتالي يُقلل من الآثار السلبية الناتجة عن مزيج ميزات الخلفية. وبهذه الطريقة، يتم تعزيز التوافق بين الفئة الأمامية والفئة الأمامية بشكل طبيعي. تم دمج AENet في ثلاث قواعد مرجعية هي CyCTR وSCCAN وHDMNet، وتم تقييمها، حيث أظهرت هذه الأساليب تحسينًا كبيرًا في الأداء، مثل تحسن أداء SCCAN في الحالة ذات العينة الواحدة (1-shot) بنسبة تزيد عن 3.0% على كل من مجموعتي بيانات PASCAL-5$^i$ وCOCO-20$^i$. يمكن الوصول إلى الكود عبر الرابط: https://github.com/Sam1224/AENet.