提升小样本语义分割的新方法——基于先验的边缘特征增强网络 在人工智能领域，语义分割（semantic segmentation）是计算机视觉中的一项核心技术，其目的是为图像中的每个像素赋予语义类别标签。然而，传统的语义分割方法依赖大量的标注数据进行训练，这在实际应用中局限于标注样本数据不足的场景。例如，医学影像分析和自动驾驶中，需要对少数数据类别进行分割，获取精确的分割结果。在此背景下，小样本语义分割（Few-Shot Semantic Segmentation, 简称FSS）作为一种新兴技术得到了研究者的广泛关注，旨在在少量标注样本的条件下实现高质量的语义分割。 然而，与普通语义分割模型相比，小样本语义分割在目标边界预测的准确性上仍然表现不足。原因在于，当样本极其有限时，模型从查询（que...

平衡特征对齐与统一性来解决小样本分类问题 背景与动机 少样本学习（Few-Shot Learning, FSL）的目标是在只有少量新类别（novel classes）样本的条件下，正确地对新样本进行识别。现有的少样本学习方法主要通过最大化特征表示与其对应标签之间的信息，来学习从基础类别（base classes）中可转移的知识。然而，这种方法可能会出现“监督崩溃”（supervision collapse）的问题，因为它对基础类别存在偏差。本文提出了一种解决方案，通过保留数据的内在结构，并学习一种适用于新类别的广义模型。本研究依据信息最大化原则，最大化样本与其特征表示之间以及特征表示与其类别标签之间的互信息（mutual information, MI），以在特征表示中平衡类特异性信息的捕获...