调和基础类和新类：一种用于广义少样本分割的类别对比方法

当前的少样本分割（FSSeg）方法主要集中在提高新类别的性能，而忽视了基础类别的性能。为了解决这一局限性，引入了广义少样本语义分割（GFSSeg）任务，旨在同时预测基础类别和新类别的分割掩模。然而，现有的基于原型的方法在更新原型时并未显式考虑基础类别与新类别之间的关系，导致在识别真实类别方面的性能有限。为了应对这一挑战，我们提出了一种类对比损失和一类关系损失来规范原型更新，并鼓励不同类别原型之间的较大距离，从而在区分各类别的同时保持基础类别的性能。我们的方法在PASCAL VOC和MS COCO数据集上实现了广义少样本分割任务的新最先进性能。