APANet：面向少样本语义分割的自适应原型对齐网络

少样本语义分割旨在仅利用少量标注的支持图像，对给定查询图像中的新类别物体进行分割。当前主流方法通常采用度量学习框架，通过将查询特征与学习得到的类别特定原型进行匹配来实现分割。然而，该框架由于特征比较不充分，容易导致分类偏差。为解决这一问题，本文提出一种自适应原型表示方法，引入类别特定原型与类别无关原型，从而构建完整的样本对，以实现查询特征与原型之间的语义对齐学习。这种互补特征学习机制有效丰富了特征间的比较方式，有助于在少样本设置下获得无偏的分割模型。该方法基于一个双分支端到端网络结构（即类别特定分支与类别无关分支），分别生成原型，并将查询特征与之进行对比。此外，所提出的类别无关分支设计简洁而高效：在实际应用中，能够自适应地为查询图像生成多个类别无关原型，并以自对比（self-contrastive）的方式学习特征对齐。在PASCAL-5$^i$和COCO-20$^i$数据集上的大量实验表明，本文方法显著优于现有方法。在不牺牲推理效率的前提下，模型在1-shot与5-shot设置下均取得了当前最优的语义分割性能。