摘要

我们证明，在少样本分割任务中，推理方式对性能具有显著影响——这一因素在现有文献中常被忽视，而研究多集中于元学习范式。为此，我们提出一种针对给定查询图像的归纳式推理方法，通过优化一种包含三个互补项的新损失函数，利用查询图像中未标注像素的统计特性：i）在标注支持集像素上的交叉熵损失；ii）在未标注查询图像像素上的后验概率的香农熵；iii）基于预测前景比例的全局KL散度正则项。由于该推理过程仅采用提取特征的简单线性分类器，其计算开销与归纳式推理相当，可无缝集成于任意基础训练框架之上。在不依赖周期性训练（episodic training）的前提下，仅使用基础类别上的标准交叉熵训练，我们的方法在1-shot场景下即能在标准基准上取得具有竞争力的性能表现。随着可用样本数增加，性能差距进一步扩大：在PASCAL-5i数据集上，我们的方法在5-shot和10-shot场景下分别较当前最优方法提升约5%和6%。此外，我们提出一种包含领域偏移的新设置，其中基础类别与新类别来自不同数据集，更具现实意义。在此设置下，我们的方法仍能取得最佳性能。相关代码已公开，可访问：https://github.com/mboudiaf/RePRI-for-Few-Shot-Segmentation。