少量ショットセマンティックセグメンテーションのための四元数値相関学習

少量サンプル分類（Few-shot segmentation, FSS）は、未観測クラスに対してわずかなアノテーション付きサンプルのみを用いてセグメンテーションを実行することを目的としています。十分な学習サンプルを持つベースクラスから学習された意味的特徴を活用することで、FSSにおいて著しい進展が達成されています。これらの特徴は、新しいクラスを表現するのに役立ちます。しかし、従来の相関ベースの手法は、実数値2次元畳み込みの固有の性質により、2つの部分空間マッチングスコア間の相互作用を捉える能力に欠けています。本論文では、相関学習に対してクォータニオン（四元数）的視点を導入し、高次元相関テンソルの計算負荷を軽減するとともに、クォータニオン代数に基づく演算を活用して、クエリ画像とサポート画像間の内部潜在的相互作用を探索する新たな「クォータニオン値相関学習ネットワーク（Quaternion-valued Correlation Learning Network, QCLNet）」を提案します。具体的には、QCLNetはハイパーコンプレックス値ネットワークとして定式化され、相関テンソルをクォータニオン領域で表現します。このネットワークはクォータニオン値畳み込みを用いて、クォータニオン空間におけるサポート部分空間の隠れた関係を考慮しつつ、クエリ部分空間間の外部関係を探索します。PASCAL-5iおよびCOCO-20iデータセットにおける広範な実験により、本手法が既存の最先端手法を効果的に上回ることを示しました。本研究のコードは https://github.com/zwzheng98/QCLNet にて公開されており、論文「Quaternion-valued Correlation Learning for Few-Shot Semantic Segmentation」は、IEEE Transactions on Circuits and Systems for Video Technology, vol. 33, no. 5, pp. 2102–2115, May 2023, doi: 10.1109/TCSVT.2022.3223150 にて公開されています。