保守与激进的平衡：用于少样本分割的原型-亲和力混合网络
计算机视觉与模式识别
2025-07-28 v1
摘要
本文研究少样本分割（FSS）任务，其目标是通过在少量标注良好的支持样本上学习模型，对查询图像中属于未见类别的目标进行分割。我们对两种主流 FSS 范式的分析表明，原型学习方法所得的预测通常较为保守，而亲和力学习方法的预测则倾向于更为激进。这一观察启发我们在两种 FSS 框架所捕获的保守与激进信息之间寻求平衡，以提升分割性能。为此，我们提出了**原型-亲和力混合网络（PAHNet）**，在亲和力学习模型（称为亲和力学习器）的每个注意力块中引入原型引导特征增强（PFE）模块和注意力分数校准（ASC）模块。这两个模块利用预训练原型学习模型（称为原型预测器）生成的预测，分别增强支持图像与查询图像表征中的前景信息，并抑制二者之间不匹配的前景-背景（FG-BG）关系。通过这种方式，亲和力学习器的激进性可被有效缓解，从而最终提升 PAHNet 方法的分割精度。实验结果表明，PAHNet 在 PASCAL-5 和 COCO-20 数据集的 1-shot 与 5-shot 设置下均优于近期大多数方法，验证了其有效性。代码地址：[GitHub - tianyu-zou/PAHNet: Balancing Conservatism and Aggressiveness: Prototype-Affinity Hybrid Network for Few-Shot Segmentation (ICCV'25)](https://github.com/tianyu-zou/PAHNet)
引用
@article{arxiv.2507.19140,
title = {Balancing Conservatism and Aggressiveness: Prototype-Affinity Hybrid Network for Few-Shot Segmentation},
author = {Tianyu Zou and Shengwu Xiong and Ruilin Yao and Yi Rong},
journal= {arXiv preprint arXiv:2507.19140},
year = {2025}
}
备注
8 pages, 7 figures