跨域少样本分割中的低级特征之魂
计算机视觉与模式识别
2025-03-28 v1 人工智能
摘要
跨域少样本分割(CDFSS)旨在将从大规模源域数据集中学习到的像素级分割能力迁移到仅需每个类别少量标注图像的下游目标域数据集。在本文中，我们聚焦于CDFSS中一个被观察到但尚未解决的现象：对于目标域，特别是与源域相距较远的域，分割性能在很早的时期达到峰值，随着源域训练的进行而急剧下降。我们对此现象进行深入分析以进行解释：低级特征对域迁移较为敏感，导致源域训练期间损失景观变得更陡峭，这就是CDFSS的“恶魔”。基于这一现象与解释，我们进一步提出了一种方法，包括两个即插即用模块：一个在源域训练期间平滑低级特征的损失景观，以一种新颖的锋利感最小化方法为特征；另一个在目标域测试期间通过低级特征校准直接补充目标域信息。对四个目标数据集进行大量实验验证了我们的理念，表明我们的方法在CDFSS中显著超过了最新方法，在1-shot和5-shot情景下分别提高了3.71%和5.34%的平均MIoU。
引用
@article{arxiv.2503.21150,
title = {The Devil is in Low-Level Features for Cross-Domain Few-Shot Segmentation},
author = {Yuhan Liu and Yixiong Zou and Yuhua Li and Ruixuan Li},
journal= {arXiv preprint arXiv:2503.21150},
year = {2025}
}
备注
Accepted by CVPR 2025