基于不确定性的特征增强的记忆引导网络用于小样本语义分割

监督式语义分割方法的性能高度依赖于大规模训练数据的可用性。为了缓解这种依赖性，引入了小样本语义分割，利用在基类上训练的模型（具有足够的数据）来分割只有少量数据的新类。由于基类和新类之间的分布偏移，小样本语义分割方法面临着在新类上模型泛化的挑战。为了克服这个问题，我们提出了一个类共享记忆模块，由一组可学习的记忆向量组成。这些记忆向量在训练期间从基类中学习基本对象模式，同时在训练和推理期间重新编码查询特征，从而改善基类和新类之间的分布对齐。此外，为了应对图像间类内方差导致的性能下降，我们引入了一个基于不确定性的特征增强模块，在训练期间生成多样化的查询特征，以提高模型的鲁棒性。我们将类共享记忆和基于不确定性的特征增强集成到具有代表性的小样本语义分割工作中，在广泛使用的PASCAL-5$^i$和COCO-20$^i$数据集上的实验结果表明，我们的方法优于现有技术。