Réseau de prototypes sensible aux parties pour la segmentation sémantique à faible apprentissage

La segmentation sémantique à peu d'exemples vise à apprendre à segmenter de nouvelles classes d'objets à partir d'un nombre très restreint d'exemples annotés, ce qui ouvre la voie à de nombreuses applications concrètes. La plupart des méthodes existantes se concentrent soit sur le cadre restrictif de la segmentation à peu d'exemples à sens unique, soit souffrent d'une couverture insuffisante des régions d'objets. Dans cet article, nous proposons un cadre novateur pour la segmentation sémantique à peu d'exemples basé sur une représentation par prototypes. Notre idée principale consiste à décomposer la représentation globale d'une classe en un ensemble de prototypes sensibles aux parties, capables de capturer des caractéristiques d'objets diverses et fines. En outre, nous proposons d'utiliser des données non étiquetées pour enrichir ces prototypes sensibles aux parties, permettant ainsi une modélisation améliorée des variations intra-classe des objets sémantiques. Nous avons conçu un nouveau modèle basé sur les réseaux de graphes afin de générer et d'améliorer ces prototypes sensibles aux parties à partir d'images étiquetées et non étiquetées. Des évaluations expérimentales étendues sur deux benchmarks montrent que notre méthode surpasser significativement les approches antérieures.