语义分割是对图片进行像素级别的分类,进而实现对图片像素级别的理解。传统的语义分割需要利用大量的标注数据来训练网络,才能达到较好的性能。但这些数据的标注会极大地消耗人力物力。另外,传统语义分割的泛化能力不足,无法实现图片分割的真正智能化。因此,近年来基于少量训练数据的小样本语义分割成为研究的热点。小样本语义分割是利用少量的支持集数据对查询集图片中的目标物体进行分割。目前常用的一大类方法是基于原型网络的小样本学习方法。它通过全局平均或者聚类的方法从支持集图片中提取用于代表物体信息的原型,然后将这些原型作为指导信息,指导查询集中目标物体的分割。但这些方法仅仅是从整体或者局部的角度挖掘支持集中物体的信息,忽略了来自查询集中的物体信息,导致分割效果不够理想。为此,我们提出了能够挖掘目标整体和局部信息的频率原型网络,并在此基础上进一步提出了双指导频率原型网络对原有的小样本分割网络加以改进和创新。频率原型网络是基于频域提出的,其主要目的是从全局和局部两个方面充分挖掘物体信息,生成包含全局和局部信息的指导原型,进而更加全面地分割目标物体。本文提出的频率原型网络主要包括三个部分:频率原型产生模块、先验注意力掩码模块和频率原型选择模块。其中,频率原型产生模块通过提出多频域池化的方法,在低频分量中生成代表物体整体信息的全局原型,在中高频分量中生成代表物体细节的局部原型,这些原型统称为频域原型。基于上述产生的频域原型,先验注意力掩码模块产生先验注意力掩码,使网络更准确地定位到目标物体,增强网络的泛化能力。另外,为提高计算效率,频率原型选择模块根据频域原型中包含的物体信息,选择出频域原型中最有代表性的原型,从而降低网络的冗余度。结果表明,我们提出的频率原型网络可以有效提高分割的效果。在PASCAL-5i数据集的1-shot和5-shot设置上,m Io U分别达到62.1%和64.5%,在COCO-20i数据集的1-shot和5-shot设置上,m Io U分别达到39.4%和44.2%。在上述频率原型网络的基础上,本文进一步提出了双指导频率原型网络,以减少同类物体之间的特征差异带来的错误引导信息,提高分割的效率。双指导的主要思想是:在双指导选择模块中,利用来自支持集和查询集的信息,生成支持集引导掩码和查询集引导掩码,进而对频域原型进行选择,得到更加切合查询集的原型,并且生成具有高泛化能力和定位能力的查询集注意力掩码。利用上述的查询集注意力掩码和特征提取器提取的支持集信息,特征泛化模块将泛化的物体信息融入到物体特征中去。最后,多维特征增强解码模块利用对称卷积和非对称卷积构成金字塔解码器,去捕捉带状和多尺度的物体特征。此外,该模块还对查询集注意力掩码进行预分割,并将结果融入到最终的分割头部中,优化最终的分割结果。大量的实验证明了我们提出的双指导频率原型网络的有效性。在PASCAL-5i数据集的1-shot和5-shot设置上,m Io U分别达到69.2%和72.5%,在COCO-20i数据集的1-shot和5-shot设置上,m Io U分别达到48.8%和54.4%,该结果大大超过了基准线网络的结果。