先适应后比较：跨域少样本分割的新视角

当面对与训练域不同的图像时，少样本分割性能会显著下降，这实际上限制了其在现实世界中的应用。为缓解这一问题，近期出现了跨域少样本分割（CD-FSS）。解决该任务的工作主要尝试以跨域泛化的方式在源域上学习分割。令人惊讶的是，我们通过消除训练阶段并移除其主要分割网络，能够超越这些方法。我们表明，测试时任务适应（test-time task-adaption）才是成功实现 CD-FSS 的关键。任务适应是通过将小型网络附加到传统分类预训练骨干网络的特征金字塔上来实现的。为了避免在监督微调过程中对少量标注样本过拟合，输入图像增强视图之间的一致性被用作学习附加层参数的指导。尽管我们自我限制在测试时不使用除少量标注样本以外的任何图像，但我们在 CD-FSS 中取得了新的最先进（state-of-the-art）性能，证明了重新思考该任务方法的必要性。