摘要

我们研究少样本语义分割（few-shot semantic segmentation），其目标是在仅提供少量目标类别标注的支持图像（support images）的情况下，对查询图像（query image）中的目标物体进行分割。近年来，多种方法采用特征掩码（Feature Masking, FM）技术，通过抑制无关的特征激活，提升分割掩码预测的可靠性。然而，FM方法存在一个根本性局限：难以保留影响分割精度的细粒度空间细节，尤其在处理小目标物体时更为明显。本文提出一种简单、高效且有效的改进方法，用于增强特征掩码（FM），我们将其称为混合掩码（Hybrid Masking, HM）。具体而言，通过研究并利用一种互补的基础输入掩码方法，有效弥补了FM技术在细粒度空间细节上的损失。我们在三个公开可用的基准数据集上进行了实验，对比了当前性能强劲的少样本分割（Few-Shot Segmentation, FSS）基线方法。实验结果表明，我们的方法在不同基准上均显著优于现有最先进方法。相关代码与训练好的模型已开源，地址为：https://github.com/moonsh/HM-Hybrid-Masking