摘要
传统语义分割方法依赖大规模带标注的图像数据集，且仅能对预定义类别进行预测。为解决这一问题，少样本分割（few-shot segmentation）因其仅需少量标注即可实现对新目标类别的预测而显得尤为重要。然而，在少样本分割场景下，由于样本数据间差异微小，目标类别在特征空间中的分布稀疏且覆盖范围有限，导致难以准确划定能够有效区分目标类别与其他类别的分类边界，这一任务近乎不可能完成。尤其当存在与目标类别相似的邻近类别时，边界附近的分类尤为困难。为此，本研究提出了一种类间原型关系网络（Interclass Prototype Relation Network, IPRNet），通过降低其他类别之间的相似性，增强类别间的可分性，从而提升分割性能。我们在Pascal-5i和COCO-20i两个基准数据集上开展了大量实验，结果表明，相较于以往方法，IPRNet在少样本语义分割任务中实现了最优的分割性能。