基于时间区间上的常微分方程的跨域少样本分割
计算机视觉与模式识别
2026-05-15 v2
摘要
跨域少样本分割（CD-FSS）旨在以极少的样本对不可见类别进行分割，同时缓解源域和目标域之间域迁移的负面影响。目前的 CD-FSS 方法通常依赖于多个独立模块来增强跨域适应性。然而，这些模块之间的独立性阻碍了知识的有效传递，限制了其整体潜力的充分发挥。相反，本文提出一种基于常微分方程（ODE）和傅里叶变换的全集成模块，形成一种结构简洁的方法——基于时间区间的少样本分割（FSS-TIs）。FSS-TIs 不仅探索域无关特征空间，还通过目标域微调实现了显著的性能提升，仅需极少的支持样本。具体而言，ODE 建模过程包含非线性变换和�幅、相位谱的随机扰动，有效模拟潜在的目标域数据分布。同时，ODE 的解析解被转化为理论上可无限迭代的特征细化过程，从而增强了在有限支持样本下的学习能力。如此一来，既可以通过优化 ODE 的内在参数来解决域无关特征的探索问题，也可解决少样本学习问题。此外，在目标域微调期间，我们严格限制支持样本以匹配实际 CD-FSS 任务的设置，无需额外标注成本。实验结果表明，FSS-TIs 在现有 CD-FSS 方法上实现了优越性，深入的消融研究进一步验证了 FSS-TIs 的跨域适应性。
引用
@article{arxiv.2509.01299,
title = {Cross-Domain Few-Shot Segmentation via Ordinary Differential Equations over Time Intervals},
author = {Huan Ni and Qingshan Liu and Xiaonan Niu and Danfeng Hong and Lingli Zhao and Haiyan Guan},
journal= {arXiv preprint arXiv:2509.01299},
year = {2026}
}