训练无需的微粒细粒度语义分割基线：FungiTastic 方案
计算机视觉与模式识别
2026-05-22 v1
摘要
细粒度语义分割需要精确的局部分辨和区分视觉上相似的类别。在 FungiTastic 数据集中，这一问题因长尾分布和图像获取条件的强烈变化而进一步复杂化。我们提出了一个无需训练的两阶段框架，将分割与分类解耦。SAM3 first 使用宏分类学提示词生成类别无关的蘑菇掩码，DINOv3 然后通过嵌入空间中的原型匹配分配细粒度标签。为改善此阶段，我们应用一种简单的 DINOv3 特征空间变换，以提高基于原型的分类效果。与特定于类别的提示相比，我们的方法更可扩展，保持较低的分割成本。我们报告了从一次性到少量样本的实验结果，提供了据称在低数据环境下进行细粒度语义分割的第一个基线。
引用
@article{arxiv.2605.22492,
title = {Training-Free Fine-Grained Semantic Segmentations in Low Data Regimes: A FungiTastic Baseline},
author = {Sebastian Cavada and Francesco Pelosin and Lapo Faggi},
journal= {arXiv preprint arXiv:2605.22492},
year = {2026}
}
备注
Accepted at the 13th Workshop on Fine-Grained Visual Categorization, CVPR 2026