摘要
本文介绍了一种广义的小样本分割框架，该框架具有简单的训练过程和易于优化的推理阶段。特别地，我们提出了一种基于著名的InfoMax原则的简单而有效的模型，其中最大化了学习到的特征表示与其相应预测之间的互信息（Mutual Information, MI）。此外，从我们的基于MI的公式推导出的项与知识蒸馏项结合，以保留基础类的知识。通过简单的训练过程，我们的推理模型可以应用于任何在基础类上训练的分割网络之上。所提出的推理方法在流行的小样本分割基准测试PASCAL-$5^i$和COCO-$20^i$上取得了显著的改进。特别是对于新类别，在1-shot和5-shot场景中，PASCAL-$5^i$上的性能提升范围为7%至26%，COCO-$20^i$上的性能提升范围为3%至12%。此外，我们还提出了一种更具挑战性的设置，在这种设置下，性能差距进一步加剧。我们的代码已公开发布在https://github.com/sinahmr/DIaM。