数字通信世界杂志

摘要：小样本实例分割旨在将小样本学习范式拓展至实例分割任务，其目标是利用少量标记样本完成实例对象的分割。然而，传统的点估计机制在预测时依赖于K-Shot学习的平均值，这导致其稳定性欠佳。为突破这一局限，本文借助特定掩码预测器，创新性地提出了一种全新的小样本实例分割方法，掩码分布建模的小样本实例分割(Few-shot instance segmentation with mask distribution modeling，FSMDM)。该方法以目标区域与K-Shot信息作为基础，深入挖掘其底层条件分布，进而获取二进制掩码信息。同时，为提升模型的准确性，采用扩散概率模型对掩码分布进行模拟。此外，本文还提出运用无分类器引导掩码采样的方式，将所得到的分类信息融入二进制掩码的生成过程。实验结果显示，相较于当前最先进的方法，本文所提方法在COCO数据集的基础样本与新类别样本上均展现出更优的性能，并且在稳定性方面的表现也显著强于现有方法。

关键词： 实例分割;小样本;扩散概率模型;

基金资助： 2024年湖北省重点研发计划项目“基于数字孪生的通信资源智能管理系统研究”(编号2024EHA031)；

专辑： 信息科技

专题： 计算机软件及计算机应用;自动化技术

分类号： TP18;TP391.41