一种基于学习者集成策略的少样本语义分割方法

摘要

本发明涉及一种基于学习者集成策略的少样本语义分割方法，针对以往相关工作存在基类偏置的问题，即易错误激活基类目标区域，本发明提出在传统模型(元学习者)的基础上引入一个额外的辅助分支(基学习者)去显式地识别基类目标，随后自适应地集成两个学习者的粗预测结果以产生精准的分割掩码。考虑到元学习者的敏感性，本发明进一步引入调整因子来估计输入图像间的差异，以促进模型集成推理。总的来说，本发明为改善现有少样本分割模型对基类目标错误激活的问题提供了一个新颖且通用的解决方案，并不局限于某一个基学习者和元学习者，显著提升现有分割网络性能的同时并能够扩展至更实际且具有挑战性的广义设置，展现出较好的应用前景与潜力。