层次语义学习：跨域少样本分割中的粒度鸿沟
计算机视觉与模式识别
2025-12-02 v2
摘要
跨域少样本分割 (CD-FSS) 旨在使用仅少量标注样本，对目标域中未参与训练且数据分布与源域显著不同的新类别进行分割。近年来该任务取得了显著进展。然而，现有 CD-FSS 方法主要关注源域与目标域之间的风格差异，忽略了分割粒度差异，导致目标域中新类别的语义判别性不足。因此，我们提出一种层次语义学习 (HSL) 框架以解决此问题。具体而言，我们引入双风格随机化 (DSR) 模块和层次语义挖掘 (HSM) 模块，以学习层次语义特征，从而增强模型在不同粒度上的语义识别能力。DSR 通过前景和全局风格随机化分别模拟目标域中前景-背景风格差异多样化的前景和整体风格变化；HSM 利用多尺度超像素指导模型在不同粒度上挖掘类内一致性和类间差异。此外，我们还提出一种原型置信度调制阈值 (PCMT) 模块，以减轻前景和背景过于相似时的分割歧义。我们在四个流行的目标域数据集上进行大量实验，结果表明该方法实现了最先进的性能。
引用
@article{arxiv.2511.12200,
title = {Bridging Granularity Gaps: Hierarchical Semantic Learning for Cross-domain Few-shot Segmentation},
author = {Sujun Sun and Haowen Gu and Cheng Xie and Yanxu Ren and Mingwu Ren and Haofeng Zhang},
journal= {arXiv preprint arXiv:2511.12200},
year = {2025}
}
备注
Accepted by AAAI 2026