小样本语义分割研究现状与分析

传统语义分割任务通常是数据驱动的，需要大规模密集标注样本训练，并且不能泛化到新类，因此在实际 应用中受到很大限制．为了缓解传统语义分割中数据匮乏和泛化能力差的问题，人们提出小样本语义分割任务，在 未见类别仅提供少量密集标注样本的情况下实现新类分割，在医疗图像分割、自动驾驶等应用领域扮演着重要的 角色，已成为计算机视觉领域的重要研究方向之一．本文从基础知识、模型算法和拓展应用等方面对自然图像领域 的小样本语义分割研究展开调查，具体包含以下内容：（１）介绍了小样本语义分割的背景知识，包括它的由来、核心 思想、概念知识、存在挑战、数据集和性能评价指标；（２）详细分析和比较当前小样本语义分割算法，根据推理过程 中是否存在梯度回传将其分为基于优化和基于度量学习的方法，并归纳了其发展现状和不同算法的优缺点；（３）介 绍了小样本语义分割与其他技术融合的任务，包括小样本实例分割、广义小样本分割、增量小样本分割、弱监督小 样本分割及跨域小样本分割；（４）讨论了小样本语义分割任务仍存在的问题和未来展望。