SRasP：面向跨域少样本学习的自重新定位对抗风格扰动
计算机视觉与模式识别
2026-03-06 v1 机器学习
摘要
跨域少样本学习（CD-FSL）旨在将来自已见源域的知识传递到未见目标域，作为评估模型鲁棒性和可迁移性的关键基准。现有风格基方法缓解了域移问题，但常因梯度不稳定和收敛到尖锐极小值而受限。为此，我们提出一种新型裁剪-全局风格扰动网络，称为自重新定位对抗风格扰动（SRasP）。具体而言，SRasP 利用全局语义指导识别不一致的裁剪区域，然后在单张图像内将这些裁剪区域的风格梯度与全局风格梯度重新定位并聚合。进一步，我们提出一种新型多目标优化函数，以最大化视觉差异性同时在全局、裁剪和对抗特征之间强制语义一致性。应用稳定扰动进行训练可鼓励收敛至更平坦且更具可迁移性的解，从而提高对未见域的泛化能力。在多个 CD-FSL 基准上进行了广泛实验，结果显示相较于最先进方法 consistently 取得改进。
引用
@article{arxiv.2603.05135,
title = {SRasP: Self-Reorientation Adversarial Style Perturbation for Cross-Domain Few-Shot Learning},
author = {Wenqian Li and Pengfei Fang and Hui Xue},
journal= {arXiv preprint arXiv:2603.05135},
year = {2026}
}