元学习框架挖掘新类：解决特征破坏与原型偏差

标题："挖掘Latent Classes for Few-shot Segmentation：解决特征破坏与原型偏差的新方法" 描述中的知识点概述： 本文探讨的是小样本分割（Few-shot Segmentation, FSS）领域的一项创新研究，针对特征破坏和原型偏差这两个关键问题提出了新的解决方案。传统的FSS框架在处理潜在新类时，容易受到背景类的干扰，导致潜在类别被平均化，从而忽略了其独特特性。此外，由于样本量有限，无法充分模拟真实类别的统计分布，使得依赖于现有原型的分割效果不理想。 本文的主要贡献在于： 1. **新的联合训练框架**：作者设计了一种结合了传统FSS框架与额外挖掘分支的方法。这个框架允许在元学习的支持查询对训练中同时进行潜在类别的挖掘，通过辅助监督，有效地从背景中分离出潜在的新类别。 2. **挖掘潜在新类**：通过伪标记技术，将潜在类视为前景对象的一部分，利用它们之间的共性进行学习。这种方法通过转移代表性子簇的元知识，如马和牛这样的动物共享四条腿的特征，来对潜在类别进行标注。 3. **原型校正**：针对原型偏差，作者并未停留在局部的样本增强，而是利用整个训练集，通过改进的注意力模块或超像素修改支持原型，减少对单一原型的依赖，提高分割的泛化能力。 4. **特征增强**：额外的未标记数据被用来进一步增强特征表达，通过掩码平均池化（Masked Average Pooling, MAP）策略，提取图像中每个类别的整体描述，以增强模型对潜在类别特征的理解。 5. **挖掘和学习过程**：分为两个阶段：首先通过K-Means聚类获取最具代表性的子簇，作为潜在类别学习的基础；其次，利用联合监督的方式，结合原始标签和为潜在类别生成的伪标签，共同训练模型。 总结来说，这项工作提供了一种新颖且有效的途径，通过联合训练、特征增强和挖掘潜在类别，旨在提升小样本分割的性能，降低特征破坏和原型偏差的影响，为深度学习下的小样本场景分割带来了新的突破。