通过课程选择与反课程推广细化语境 entangled 内容分割

生物学习是从易到难的渐进式过程，不断加强感知与鲁棒性。以此原理为灵感，我们针对内容语境 entangled 分割（CECS）——即对象在视觉模式上与其周围环境共享内在特征，如伪装物体检测——提出方法。传统分割网络主要依赖架构增强，往往忽视支配着扎实数据分布下鲁棒性学习动力学。我们引入 CurriSeg，一个双相学习框架，统一课程和反课程原则以提升表征可靠性。在课程选择阶段，CurriSeg 基于样本损失的时序统计信息动态选择训练数据，区分难但有信息量的样本与噪声或模糊样本，从而实现稳定的能力提升。在反课程推广阶段，我们设计谱盲微调（Spectral-Blindness Fine-Tuning），抑制高频分量，强制依赖低频结构和语境线索，从而增强泛化能力。大量实验表明，CurriSeg 在多样化的 CECS 数据集上均实现了一致的改进，既无需增加参数，也无需延长总体训练时间，为如何通过进步与挑战的相互作用培育稳健且语境感知的分割提供了原则观点。代码将公开发布。