摘要

广义少样本语义分割（Generalized Few-Shot Semantic Segmentation, GFSS）的目标是通过少量标注样本以及已学习基础类别知识的基类模型，实现对新类别物体的识别。与经典的少样本语义分割不同，GFSS旨在将像素分类为基类和新类别，因此具有更强的实际应用价值。当前的GFSS方法通常依赖多种技术手段，如定制化模块的组合、精心设计的损失函数、元学习以及归纳学习（transductive learning）。然而，我们发现，仅采用一种简单的规则与标准的监督学习策略，即可显著提升GFSS的性能。本文提出了一种简洁而高效的方法，无需依赖上述复杂技术。同时，我们从理论上证明了所提方法在绝大多数基类上能够完美保持基类模型原有的分割性能。通过大量数值实验验证，该方法表现出优异的性能：在PASCAL-$5^i$数据集上，1样本（1-shot）场景下新类别分割性能提升6.1%；在PASCAL-$10^i$数据集上提升4.7%；在COCO-$20^i$数据集上提升1.0%。