MLDAC：多任务密集注意计算自监督小样本分割方法

来源：计算机工程与应用杂志2025年第4期北京时间：

作者：王炜航, 张轶

单位：四川大学 计算机学院，成都 610065

摘要：针对现有小样本语义分割方法仍然需要大量的像素级注释来完成模型训练的问题，提出了一种多任务密集注意计算自监督小样本分割方法（multi-task dense attention computation self-supervised few-shot semantic segmentation method，MLDAC）。该方法将数据集中单张图像的无监督显著性区域分割为两部分，一部分作为小样本分割的支持掩码，另一部分与整体区域分别和预测结果计算交叉熵损失作为多个任务完成多任务学习，提升了模型泛化能力；主干网络基于Swin Transformer来提取多尺度特征，并将其输入到多尺度密集注意力块，充分利用了多尺度的像素级相关性；经尺度间混合和跳过连接操作得到最终的预测结果。实验结果表明，基于自监督的MLDAC方法在PASCAL-5i和COCO-20i数据集上1-shot mIoU分别达到了55.1%和26.8%，相较于当前最优的自监督小样本语义分割方法分别提升了1.3和2.2个百分点；在FSS-1000数据集上1-shot mIoU达到了78.1%，证实了MLDAC方法的有效性。

关键词：多任务学习,小样本语义分割,Swin Transformer,自监督学习