FCC：用于单样本分割的全连接相关性

少样本分割（FSS）旨在仅使用少量支持图像和掩码来分割查询图像中的目标对象。因此，利用支持集获取目标对象的强先验信息对于引导 FSS 的初始训练至关重要，这使得少样本分割在具有挑战性的情况下也能取得成功，例如目标对象在支持图像和查询图像之间的外观、纹理或尺度表现出显著变化。先前的方法试图通过在最终层或同层特征上创建像素级相关性来生成相关性图，从而获取先验信息。然而，我们发现当使用 Vision Transformers 等先进模型作为骨干网络时，这些方法只能提供有限且局部的信息。Vision Transformer 编码器具有多层结构，且其中间层形状一致。利用编码器中所有层的特征比较可以增强少样本分割的性能。我们引入了 FCC（全连接相关性）来整合支持特征与查询特征之间的像素级相关性，捕捉在同层和跨层中揭示目标特定模式和对应关系的关联。FCC 捕捉了以前无法获取的目标信息，有效解决了支持掩码的局限性。我们的方法在 PASCAL、COCO 和域偏移测试中始终展现出 SOTA 性能。我们进行了消融研究和跨层相关性分析以验证 FCC 的核心方法论。这些发现揭示了 FCC 在增强先验信息和整体模型性能方面的有效性。