基于多视角渐进适应的跨域少样本分割
计算机视觉与模式识别
2026-02-06 v1
摘要
跨域少样本分割旨在条件化少量示例，对数据稀缺域的类别进行分割。典型方法首先在大规模源域建立少样本能力，然后迁移到目标域。然而，由于目标样本的数量和多样性有限，现有方法仍表现受限。此外，源域训练的模型在目标域最初的弱少样本能力，加上显著的域间差异，严重阻碍了目标样本的有效利用，进而阻碍了适应。为此，我们提出 Multi-view Progressive Adaptation（MPA），从数据和策略两个角度逐步适应目标域。(i) 从数据角度，我们引入 Hybrid Progressive Augmentation，通过累积强数据增强生成更具多样性和复杂度的视角，从而创建越来越具挑战性的学习场景。(ii) 从策略角度，我们设计 Dual-chain Multi-view Prediction，通过在广泛监督下在顺序和并行学习路径中充分利用这些渐进复杂的视角。通过在多样化和复杂视角上强制预测一致性，MPA 实现了对目标域的稳健和准确适应。广泛实验表明，MPA 有效地将少样本能力适应到目标域，相较于最先进方法以大幅度提升 (+7.0%) 实现了显著的性能突破。
引用
@article{arxiv.2602.05217,
title = {Cross-Domain Few-Shot Segmentation via Multi-view Progressive Adaptation},
author = {Jiahao Nie and Guanqiao Fu and Wenbin An and Yap-Peng Tan and Alex C. Kot and Shijian Lu},
journal= {arXiv preprint arXiv:2602.05217},
year = {2026}
}