Few-Shot セグメンテーションのための適応的プロトタイプ学習と割り当て

プロトタイプ学習は、少数ショットセグメンテーションにおいて広く用いられている。一般的に、サポート特徴からグローバルなオブジェクト情報を平均することで、1つのプロトタイプが得られる。しかし、すべての情報を1つのプロトタイプで表現する方法では、曖昧性が生じる可能性がある。本論文では、複数のプロトタイプを抽出・割り当てるための2つの新しいモジュール、すなわちスーパープクセル誘導型クラスタリング（SGC）とガイド付きプロトタイプ割当（GPA）を提案する。具体的には、SGCはパラメータフリーかつ訓練不要なアプローチであり、類似した特徴ベクトルを統合することでより代表的なプロトタイプを抽出する。一方、GPAは適切なプロトタイプを選択し、より正確なガイドを提供可能である。SGCとGPAを統合することで、物体のスケールおよび形状の変化に適応可能な軽量モデルである「適応的スーパープクセル誘導ネットワーク（ASGNet）」を提案する。さらに、本ネットワークはkショットセグメンテーションへの一般化が容易であり、追加の計算コストを伴わず大幅な性能向上を達成できる。特にCOCOデータセットにおける評価では、ASGNetは5ショットセグメンテーションにおいて最先端手法を5%上回ることを示した。