تقسيم الصور الدلالي مع عينات قليلة هو مهمة ذات تحديات كبيرة، تحاول استخدام عدد قليل من العينات الموسومة لتقسيم كائنات من فئات جديدة. تواجه الطرق السائدة عادة مشكلة ضعف تمييز الخصائص وانحراف النماذج الأولية. لتخفيف هذه المشكلات، تقترح هذه الدراسة طريقة لتقسيم الصور الدلالي مع عينات قليلة تعتمد على تجميع مزدوج وشبكة دمج ذاتي، تتيح استكشاف تشابه الخصائص وتقليل انحراف النماذج الأولية بشكل كامل. أولاً، نقدم وحدة تجميع مزدوجة للخصائص والأقنعة، التي تبني علاقات تشابه كثيفة تغطي كافة المواقع المكانية بين خصائص الدعم وخصائص الاستعلام، لتوفير معلومات دلالية شاملة لتجميع الخصائص وتجميع الأقنعة. بشكل محدد، من خلال تجميع مزدوج للخصائص والأقنعة على مصفوفة التشابه بين الخصائص، يمكن الحصول على خصائص معززة وأقنعة أولية مُوجهة لصورة الاستعلام. ثم نقترح مشفر فك الاندماج الذاتي، الذي يقلل انحراف النماذج الأولية من خلال دمج النماذج الذاتية القائمة على الأقنعة الأولية والنماذج الأولية الداعمة المعروفة، وينقل معلومات دلالية غنية للفئة إلى المشفر من خلال دمج الخصائص المعززة والنماذج المدمجة. أخيرًا، يتم تحسين نتائج التنبؤ من المشفر بشكل أكبر باستخدام معلومات التنبؤ للفئات الأساسية. حققت طريقتنا mIoU بقيم 68.3٪ و71.5٪ في حالات 1-shot و5-shot على مجموعة البيانات PASCAL-5ⁱ، و46.5٪ و51.4٪ على مجموعة البيانات COCO-20ⁱ، متفوقة على أداء الطرق السائدة في التقسيم، وقادرة على تقسيم مناطق الهدف للفئات الجديدة بدقة أكبر.

تقسيم الصور الدلالي مع عينات قليلة;تشابه الخصائص;تجميع مزدوج;التباين داخل الفئة;الدمج الذاتي