Adaptiveer Prototypen-Learning und -Zuweisung für Few-Shot-Segmentierung

Prototypen-Lernen wird häufig für Few-Shot-Segmentierung eingesetzt. Typischerweise wird ein einzelner Prototyp aus den Support-Features durch Mittelwertbildung der globalen Objektinformationen gewonnen. Die Verwendung eines einzigen Prototyps zur Repräsentation aller Informationen kann jedoch zu Mehrdeutigkeiten führen. In diesem Paper stellen wir zwei neuartige Module vor, die Superpixel-gesteuerte Clustering (SGC) und geführte Prototypen-Zuweisung (GPA), zur Extraktion und Zuweisung mehrerer Prototypen. Insbesondere ist SGC eine parameterfreie und trainingsfreie Methode, die repräsentativere Prototypen durch Aggregation ähnlicher Merkmalsvektoren erzeugt, während GPA in der Lage ist, passende Prototypen auszuwählen, um präzisere Anleitungen bereitzustellen. Durch die Integration von SGC und GPA entwickeln wir das Adaptive Superpixel-gesteuerte Netzwerk (ASGNet), ein leichtgewichtiges Modell, das sich an Veränderungen der Objektgröße und -form anpassen kann. Zudem kann unser Netzwerk problemlos auf k-Shot-Segmentierung verallgemeinert werden, wobei eine erhebliche Leistungssteigerung erzielt wird, ohne zusätzlichen Rechenaufwand zu verursachen. Insbesondere zeigen unsere Evaluationen auf COCO, dass ASGNet die bisher beste Methode bei der 5-Shot-Segmentierung um 5 Prozent übertrifft.