少样本分割的自适应原型学习与分配

原型学习在少样本分割任务中被广泛使用。通常，通过平均支持集特征中的全局对象信息来获取单一原型。然而，仅用一个原型来表征全部信息可能导致语义模糊。为此，本文提出两种新颖模块：超像素引导聚类（Superpixel-guided Clustering, SGC）与引导原型分配（Guided Prototype Allocation, GPA），用于实现多原型的提取与精准分配。具体而言，SGC是一种无需参数、无需训练的方法，通过聚合相似的特征向量来提取更具代表性的原型；而GPA则能够根据查询图像自适应地选择最匹配的原型，从而提供更精确的指导。将SGC与GPA相结合，我们提出了自适应超像素引导网络（Adaptive Superpixel-guided Network, ASGNet），该模型轻量化且能有效适应不同物体尺度与形状的变化。此外，该网络可轻松推广至k-shot分割任务，在显著提升性能的同时不增加额外计算开销。在COCO数据集上的实验表明，ASGNet在5-shot分割任务中相比当前最优方法性能提升达5%。