基于原型对比学习的少样本分割方法结题报告.docVIP

基于原型对比学习的少样本分割方法结题报告

一、研究背景与问题提出

在计算机视觉领域，图像分割作为基础任务之一，其目标是将图像中的像素划分为不同的语义类别，为后续的图像理解、目标检测、场景分析等任务提供关键支撑。传统的图像分割方法依赖于大规模标注数据集，通过深度学习模型在海量数据中学习特征表示与类别映射关系。然而，在实际应用场景中，获取大规模标注数据往往面临诸多挑战：一方面，专业的图像标注需要领域知识支撑，例如医学影像分割中对病灶区域的标注，需由资深医师完成，人力成本极高；另一方面，部分细分领域的样本本身数量稀少，如罕见病医学影像、特定工业缺陷样本等，难以形成规模化数据集。

少样本分割（Few-ShotSegmentation）正是为解决这一痛点应运而生的研究方向，其核心目标是让模型仅通过少量标注样本（通常为1-5个），就能快速学习到新类别的分割能力。这一研究方向不仅契合实际应用中数据稀缺的现状，也更接近人类的学习模式——人类能够通过少量示例快速掌握新事物的特征与边界。然而，当前少样本分割方法仍存在诸多瓶颈：

其一，模型对新类别的特征泛化能力不足。多数方法在训练阶段依赖基类（BaseClass）数据，在测试阶段对新类（NovelClass）进行分割时，容易受到基类特征分布的干扰，导致新类分割精度下降。例如，在医学影像分割任务中，若训练阶段主要学习常见肿瘤的特征，当遇到罕见肿瘤样