摘要
本文研究图像中前景目标的少样本分割问题。我们采用小规模训练图像子集对卷积神经网络（CNN）进行训练，每个子集均模拟少样本学习场景。在每个子集中，一张图像作为查询图像（query image），其余图像作为带有真实分割标注的支持图像（support images）。CNN首先从查询图像和支持图像中提取特征图。随后，基于支持图像中已知前景区域的特征图，计算出一个类别特征向量，该向量为前景区域特征图的平均值。最后，通过计算类别特征向量与查询图像特征图之间的余弦相似度，实现对查询图像中目标对象的分割。本文提出两项主要贡献：（1）提升特征的判别能力，使特征激活在前景区域显著增强，而在其他区域保持较低水平；（2）在推理阶段引入专家集成机制，通过在测试时对支持图像分割所导致的损失梯度进行引导，有效提升分割性能。在PASCAL-$5^i$和COCO-$20^i$数据集上的实验结果表明，所提方法显著优于现有主流方法。