自我与交叉引导学习：提升小样本分割性能

"这篇文档是关于CVPR2021会议上的一篇研究论文，主题是'Self-Guided and Cross-Guided Learning for Few-Shot Segmentation'，主要探讨了小样本分割（Few-Shot Segmentation）的问题。该研究旨在解决现有方法在小样本分割时因使用全局平均池化（GAP）导致的关键信息丢失问题，提出了自我引导学习（Self-Guided Learning, SGM）和交叉引导学习（Cross-Guided Learning, CGM）两个新模块。 在小样本分割中，目标是利用有限的带标注样本高效地分割未见过的类别。现有的技术通常依赖于掩码全局平均池化来编码支持图像，形成特征向量以指导查询图像的分割。然而，平均操作往往抹去了图像中的细节差异。为此，研究者们设计了一个自我引导学习策略，通过初始预测来区分覆盖和未覆盖的前景区域，分别用掩码GAP编码为主支持向量和辅助支持向量。这两种向量的融合能提升对查询图像的分割效果。 进一步，他们提出了交叉引导模块，适用于多样本分割任务。在这个模块中，最终的掩码是通过综合多个带注释样本的预测得出的，高质量的支持向量对结果的贡献更大。这个模块的优势在于，它不需要额外的训练，在推理阶段就能直接提升预测的准确性。 实验结果显示，这种方法在PASCAL-5i和COCO-20i数据集上取得了最新的最佳性能。1-shot分割中，mIoU达到61.8%，5-shot分割中达到62.9%。这表明，该方法不仅可以应用于各种基线模型，而且能有效提升它们的性能，对于处理小样本和未知类别的语义分割问题具有显著的改进作用。"