Group-On：基于支持查询提升单样本分割
计算机视觉与模式识别
2025-06-10 v2
摘要
单样本语义分割旨在仅给定同一类别的一个已标注支持图像即可对查询图像进行分割。由于支持图像和查询图像中目标物体在外观和姿态上可能存在显著差异（即类内变异），该任务具有挑战性。先前的工作表明，增加少量支持图像的数量可提升性能，但会因额外的手动标注而增加成本。本文提出一种新颖且有效的方法，用于单样本语义分割，称为Group-On，它将多个查询图像打包进同一批次，以便在同一类别内部实现相互知识支持。具体而言，在预测一批查询图像的粗分割掩码后，查询-掩码对充当伪支持数据，以相互方式增强掩码预测。为有效引导此过程，我们构建了一个创新的MoME模块，其中由场景驱动的路由器指导可灵活配置的多个掩码专家协同作出全面决策，充分促进查询之间的相互利益。 comprehensive 在三个标准基准上的 comprehensive 实验表明，在单样本设置下，Group-On显著超过了以前的工作，取得了可观的提升。仅凭一个已标注支持图像，Group-On甚至可以与使用5个已标注图像的对手相当。
引用
@article{arxiv.2404.11871,
title = {Group-On: Boosting One-Shot Segmentation with Supportive Query},
author = {Hanjing Zhou and Mingze Yin and Danny Chen and Jian Wu and JinTai Chen},
journal= {arXiv preprint arXiv:2404.11871},
year = {2025}
}