用于高效标注核实例分割的少样本学习
内容提要
该文综述了少样本分割与实例分割的多项研究，涵盖全向导网络、广义基准数据集GFS-Seg、上下文感知原型学习、自监督细胞核分割、集成少样本分类分割框架iFSL及ASNet、元学习医学图像分割、超像素伪标签方法、循环学习弱监督核分割，以及结合base learner提升泛化性能的新方法。
延伸解读
少样本实例分割的技术路线
文章综述了少样本实例分割的多种技术路线，包括全向导网络利用支持集指导Mask R-CNN预测、上下文感知原型学习动态丰富分类器上下文、自监督学习挖掘细胞核先验知识、弱监督分割减少标注需求、集成少样本学习框架iFSL统一分类与分割、元学习适应医学图像、超像素伪标签提供监督、循环学习结合分类与分割、以及引入base learner提升泛化。这些方法从不同角度解决数据稀缺问题，反映了该领域的研究热点。
基准数据集与评估
文章介绍了广义少样本语义分割基准GFS-Seg，用于评估模型同时分割新类别（少样本）和基础类别（多样本）的泛化能力。此外，多个方法在Pascal-VOC、COCO等公共数据集上进行了实验，并取得了最先进性能或与现有方法有竞争力的结果。这些基准和实验设置有助于公平比较不同方法的优劣，推动领域发展。
应用场景与性能表现
少样本学习在细胞核实例分割和医学图像分割中具有重要应用。自监督方法利用细胞核大小和数量先验，提高了分割准确性；元学习方法在显微镜图像中仅需1到10个样本即可取得良好表现；超像素伪标签方法在三个医学任务上优于传统手动注释方法；循环学习在三个数据集上达到与全监督方法可比较的性能。这些结果表明少样本学习能有效减少标注负担，并在实际应用中展现潜力。
Q&A
少样本实例分割中，全向导网络是如何工作的？
全向导网络采用支持集编码来指导 Mask R-CNN 的预测，通过不同的引导机制充分利用支持集中的引导效果，从而在公共数据集上取得了最先进的性能。
GFS-Seg 基准数据集是什么？它有什么作用？
GFS-Seg 是一个广义少样本语义分割基准数据集，用于分析在同时分割具有非常少示例的新类别和具有足够示例的基础类别时的内在泛化能力。
上下文感知原型学习（CAPL）方法如何提升少样本分割性能？
CAPL 通过从支持样本中利用共现先验知识，并基于每个查询图像的内容动态丰富上下文信息到分类器，从而提高模型性能。在 Pascal-VOC 和 COCO 上的实验表明了其有效性。
自监督学习如何用于细胞核实例分割？
通过尺度三元组学习和数量排序两个子任务，隐式利用细胞核大小和数量的先验知识，从原始数据中挖掘特征表示，从而大大提高细胞核实例分割的准确性。
集成少样本学习（iFSL）框架和 ASNet 模型解决了什么问题？
iFSL 框架将少样本分类和分割集成任务（FS-CS）广义化到具有任意图像对的更现实情境，训练学习者构建类别化前景图用于多标签分类和像素级分割。ASNet 模型利用深层语义相关性和全局自我注意力生成可靠前景图，在 FS-CS 任务和标准少样本分割基准上表现良好。
元学习如何应用于医学图像中的细胞分割？
通过利用来自不同领域的标注图像数据集和目标领域内有限数量的标注图像数据集来训练通用、适应性强的少样本学习模型，使用标准分割神经网络体系结构，1 到 10 个数据样本的元学习结果有很好的表现。
基于超像素伪标签的医学图像少样本分割方案有什么特点？
该方案使用基于超像素的伪标签提供监督，采用自适应本地原型池化模块解决前景背景不平衡问题，在三个不同任务下测试，结果表明优于传统需要手动注释的方法。
循环学习弱监督方法如何用于核实例分割？
循环学习将前端分类和后端半监督实例分割任务相结合，循环共享知识，从图像级标签中提取潜在信息，实现更好的优化，在三个数据集上表现出优秀的广泛性，并取得了与完全监督方法可比较的性能。
在少样本分割模型中加入 base learner 有什么好处？
通过使用伴随的 base learner 得到被忽略的对象，并将其与 meta learner 的预测结果相结合，从而提高模型的泛化性能和分割准确率。实验表明该方法在 generalized FSS 情况下也有很好的表现。
