江苏大学学报(自然科学版)

作者：王兰忠1,牟昌善2

单位：1. 山东大学 外国语学院， 山东 济南 250100； 2. 国家税务总局山东省税务局 信息中心， 山东 济南 250002

关键词： 小样本语义分割, 特征分离, 元学习, 深度可分离卷积, vision transformer, 目标前景, 自适应

基金：山东省重点研发计划项目（2021RKL02001）

针对现有的小样本语义分割模型对未知新类分割精度不高的问题，提出一种基于元学习的小样本语义分割算法.首先，利用深度可分离卷积改进传统主干网络，并在ImageNet数据集上进行了编码器的预训练.其次，利用预训练的主干网络将支持图片和查询图片映射到深度特征空间.最后，利用支持图片的真实掩码将支持特征分离为目标前景和背景，并借助vision transformer构造了一种自适应的元学习分类器.在PASCAL-5i数据集上进行了大量的试验.结果表明：所提出模型在VGG-16、ResNet-50和ResNet-101主干网络上分别实现了47.1%、58.3%和60.4%的mIoU（即平均交并比）（1 shot），同时在5 shot设定下实现了49.6%、60.2%和62.1%的mIoU；在COCO-20i数据集上实现了23.6%、30.3%和30.7%的mIoU（1 shot），同时在5 shot设定下实现了30.1%、34.7%和35.2%的mIoU.

来源：2024年第5期

《江苏大学学报(自然科学版)》期刊编辑部

查看江苏大学学报(自然科学版)杂志2024年第5期