用于跨域小样本分割的自解耦与重组
计算机视觉与模式识别
2025-06-04 v1 人工智能
机器学习
摘要
跨域小样本分割（CD-FSS）旨在将知识从源域数据集迁移到具有有限标注的未见目标域数据集。当前方法通常比较训练样本与测试样本之间的距离以进行掩码预测。然而，我们发现这种广泛采用的方法中存在纠缠问题，该方法倾向于将源域模式绑定在一起，使得每种模式都难以迁移。在本文中，我们旨在解决 CD-FSS 任务中的这一问题。我们首先发现了 ViT 结构的一种自然分解，并在此基础上深入探讨纠缠问题以寻求解释。我们发现，在距离计算中，分解后的 ViT 组件在图像之间进行交叉比较，其中合理的比较与无意义的比较因具有同等重要性而发生纠缠，从而导致了纠缠问题。基于这一解释，我们进一步提出通过学习为所有 ViT 组件的比较赋权来解决纠缠问题，该方法学习解耦特征并对其进行重组以用于 CD-FSS 任务，同时有利于泛化和微调。实验表明，在 1-shot 和 5-shot 设置下，我们的模型在平均准确率上分别比最先进的 CD-FSS 方法高出 1.92% 和 1.88%。
引用
@article{arxiv.2506.02677,
title = {Self-Disentanglement and Re-Composition for Cross-Domain Few-Shot Segmentation},
author = {Jintao Tong and Yixiong Zou and Guangyao Chen and Yuhua Li and Ruixuan Li},
journal= {arXiv preprint arXiv:2506.02677},
year = {2025}
}
备注
Accepted by ICML 2025