跨域少样本分割的Divide-and-Conquer解耦网络
计算机视觉与模式识别
2026-03-23 v1
摘要
跨域少样本分割(CD-FSS)旨在解决新类识别与少量标注下的未知域适应的双重挑战。然而，编码器特征常常纠缠域相关信息与类别相关信息，限制了泛化性和对新域的快速适应。为此，我们提出了Divide-and-Conquer解耦网络(DCDNet)。在训练阶段，为解决特征纠缠导致的跨域泛化与快速适应瓶颈，我们提出了对抗对比特征分解(ACFD)模块。它通过对比学习和对抗学习将 backbone 特征解耦为类别相关私有特征和域相关共享特征。随后，为缓解分解可能导致的性能下降，矩阵引导动态融合(MGDF)模块在空间引导下自适应地整合 base 特征、共享特征和私有特征，保持结构一致性。此外，在微调阶段，为增强模型泛化性，在MGDF之前引入跨适应调制(CAM)模块，其中共享特征通过调制引导私有特征，确保域相关信息的有效集成。在四个具有挑战性的数据集上进行的大量实验表明，DCDNet超过了现有的CD-FSS方法，在跨域泛化和少样本适应方面均达到新的状态最佳(SOTA)。
引用
@article{arxiv.2511.07798,
title = {Divide-and-Conquer Decoupled Network for Cross-Domain Few-Shot Segmentation},
author = {Runmin Cong and Anpeng Wang and Bin Wan and Cong Zhang and Xiaofei Zhou and Wei Zhang},
journal= {arXiv preprint arXiv:2511.07798},
year = {2026}
}