摘要
少样本分割（Few-shot Segmentation, FSS）旨在仅凭少量标注样本对未见类别进行分割。现有方法普遍存在特征退化问题，即在训练阶段，潜在的新类别被误当作背景处理，导致模型对新类别的表征能力不足。为缓解这一问题并增强对潜在新类别的特征嵌入能力，本文提出一种新颖的联合训练框架。在传统基于支持集-查询集（support-query pairs）的元训练基础上，我们引入一个额外的挖掘分支，通过可迁移的子簇（transferable sub-clusters）识别潜在的新类别；同时，提出一种针对背景与前景类别的新型原型校正机制，以增强原型的稳定性。此外，所提出的可迁移子簇还具备利用额外无标签数据进一步提升特征表示的能力。在两个主流FSS基准数据集上的大量实验表明，本方法在PASCAL-5i上相较此前最先进方法提升3.7%的mIOU，在COCO-20i上提升7.0%的mIOU，同时仅需减少74%的参数量，并实现2.5倍的推理速度提升。项目源代码已公开，地址为：https://github.com/LiheYoung/MiningFSS。