要約
少数回セグメンテーション（Few-shot Segmentation: FSS）は、未見のクラスに対してわずかなラベル付きサンプルのみを用いてセグメンテーションを行うことを目的としている。従来の手法は、特徴の劣化（feature undermining）という問題に直面しており、学習段階で潜在的な新規クラスが背景として扱われてしまうことが挙げられる。本研究では、この問題を緩和し、潜在的な新規クラスに対する特徴埋め込みを強化することを目指す。提案手法では、従来のサポート・クエリペアに基づくエピソード学習に加え、転移可能な部分クラスタ（transferable sub-clusters）を用いて潜在的な新規クラスを掘削する追加のマイニングブランチを導入し、背景および前景カテゴリの両方に対して新たな補正技術を適用することで、より安定したプロトタイプを強制する。さらに、本手法で用いる転移可能な部分クラスタは、追加のラベルなしデータを活用して特徴のさらなる強化を可能とする。2つのFSSベンチマークにおける広範な実験結果から、本手法は従来の最先端手法に対して、PASCAL-5iでは3.7%のmIOU向上、COCO-20iでは7.0%のmIOU向上を達成した。同時に、パラメータ数は74%削減され、推論速度は2.5倍速くなった。ソースコードは以下のURLで公開されている：https://github.com/LiheYoung/MiningFSS。