Edge-Computing-Driven Active-Reference Fusion for Few-Shot Semantic Segmentation

Yirui Wu

doi:10.1109/JIOT.2025.3587649

Edge-Computing-Driven Active-Reference Fusion for Few-Shot Semantic Segmentation

2025-10-28

0

PRE

AI

DOI：10.1109/JIOT.2025.3587649

原文链接

原文求助

摘要

En 中文

随着少样本语义分割的发展，各种未见类通过少量标注数据进行预测。然而，现有方法存在高昂的计算成本，使其在特定场景下不足且不可靠。随着边缘计算的进步，计算任务可以分配到边缘服务器，从而大幅缓解计算压力。因此，我们提出了边缘计算主动参考（ECAR）框架用于少样本分割，包括掩码预测模块（MPM）和迭代融合与精修模块（IFRM）。具体而言，MPM中提出了互分割策略，该策略不仅能精确定位出现在支持图像和查询图像中的共现物体，还能放宽像素级标注的高约束，允许弱边界标注。基于MPM的计算结果，IFRM通过少样本通道注意力方案增强与支持图像相关的特征通道信息，迭代精修分割掩码以获得紧凑边界。在k-shot分割中，我们提出了类别调制模块，用于融合从多个标注帧中提取的特征，从而遗忘无用信息并增强有用信息。实验表明，由边缘计算驱动的主动参考（ECAR）框架提升了边缘设备上的分割性能，在1-shot和5-shot下分别达到了64.8%和68.9%的m-IOU。

Keyword:

Edge computing

semantic segmentation

Edge-Computing-Driven Active-Reference Fusion for Few-Shot Semantic Segmentation

摘要

期刊

机构

引用论文