MSI：面向少样本分割的最大化支持集信息

少样本分割（Few-shot Segmentation, FSS）旨在仅利用少量标注图像（支持集）对目标类别进行分割。为了提取与目标类别相关的信息，当前表现优异的FSS方法普遍采用一种主流策略：通过支持集掩码去除背景特征。然而，我们观察到，在某些具有挑战性的FSS场景下（例如目标尺寸较小和/或目标边界不准确时），这种受限于支持掩码的特征剔除操作会引入信息瓶颈。为此，本文提出一种新方法——MSI（Maximize Support-set Information），通过融合两种互补的特征源，生成更丰富的相关性图谱，从而最大化支持集所蕴含的信息量。我们将该方法应用于三种近期且性能强劲的FSS模型中进行验证。在多个公开可用的FSS基准数据集上的实验结果表明，所提方法在性能上均取得显著提升，并加速了模型的收敛过程。相关代码与训练好的模型已开源，地址为：https://github.com/moonsh/MSI-Maximize-Support-Set-Information