基于注意力增强的原型学习用于少样本基础设施缺陷分割
计算机视觉与模式识别
2025-10-08 v1
摘要
少样本语义分割是深度学习基础设施检查应用的关键任务，标注训练样本稀缺且昂贵。虽然现有的深度学习框架表现良好，但需要大量标注数据，以及无法用少量数据学习新缺陷类别的问题仍然突出。我们提出了Enhanced Feature Pyramid Network（E-FPN）框架，用于基于原型学习框架的管线和下水道缺陷类别的少样本语义分割。我们的框架有三个主要贡献：（1）采用InceptionSepConv模块和深度可分离卷积实现自适应E-FPN编码器，以高效多尺度特征提取；（2）采用掩码平均池化进行原型学习，以从小型支持样本中生成强大的原型；（3）通过全局自注意力、局部自注意力和交叉注意力实现注意力特征表示。对挑战性基础设施检查数据集进行全面实验表明，该方法实现了卓越的少样本性能，其中最佳配置为8-way 5-shot训练配置，在2-way分类测试中达到82.55% F1分数和72.26% mIoU。自注意力方法在基线方法上提供了2.57% F1分数和2.9% mIoU的提升。我们的框架解决了在标注数据有限的情况下快速响应基础设施检查系统中新缺陷类型的关键需求，为关键基础设施系统的高效经济维护计划提供了可能性。
引用
@article{arxiv.2510.05266,
title = {Attention-Enhanced Prototypical Learning for Few-Shot Infrastructure Defect Segmentation},
author = {Christina Thrainer and Md Meftahul Ferdaus and Mahdi Abdelguerfi and Christian Guetl and Steven Sloan and Kendall N. Niles and Ken Pathak},
journal= {arXiv preprint arXiv:2510.05266},
year = {2025}
}