面对与训练领域不同的图像时，少样本分割性能大幅下降，这限制了其在现实世界的应用。本研究通过在传统的分类预训练骨干网络的特征金字塔中附加小型网络实现测试时任务自适应，避免过拟合到有监督微调中的少量标记样本，同时在不使用测试时的其他图像的限制下，在交叉领域少样本分割中取得了新的最先进性能，证明了在这个任务中重新思考方法的必要性。

Feb, 2024

本文提出了一种新的训练方法，通过已有的解释方法来解释模型的预测，以及开发了一种模型不可知的解释引导训练策略，动态找到并强调对预测重要的特征，从而改善跨域少样本分类任务中模型的泛化能力，并在五种 few-shot 学习数据集上观察到了三种不同 FSC 模型（RelationNet，交叉注意力网络和基于图神经网络的公式）的准确性提高。

Jul, 2020

本文提出了一种新的针对少样本无监督域自适应（FS-UDA）的任务特定语义特征学习方法（TSECS），以提高图像分类的效果，包括跨域自我训练策略和最小化源和目标域之间高级特征分布的 KL 散度。在 DomainNet 数据集上的实验结果表明，该方法在 FS-UDA 领域取得了明显的性能优势（即 10%）。

Jan, 2023

本文提出了一种基于转移学习和关键语义一致性的模型，是一种无监督域自适应的方法来减少领域内、类别内的分布差异，在语义分割上具有优越性。

Aug, 2020

本文提出一种名为 stabPA 的新方法，通过学习紧凑的原型和跨域对齐表示来同时解决域漂移和少样本学习问题，并在 DomainNet 数据集上实现了优异的结果。

Jul, 2022

本文提出了跨域 few-shot 学习的 Broader Study of Cross-Domain Few-Shot Learning （BSCD-FSL）基准，并对该基准的广泛实验表明了目前最先进的元学习方法被早期的元学习方法意外地超越，同时发现所有方法的准确性倾向于与数据集的相似性相关，这验证了该基准的价值，可指导未来的研究方向。

Dec, 2019

该研究提出了一种基于混合类别 H 散度的 Semantic Consistency Feature Alignment Model（SCFAM），结合语义预测模型（SPM）和语义桥接组件（SBC）实现单类和多类特征的语义信息切分和对齐，以及基于 SPM 结果调整生成器损失函数以降低样本不平衡，从而提高面对领域偏差的目标检测模型的性能。

Jun, 2022

本文提出了一种领域适应方法，采用语义一致性、语义提取和对抗训练技术解决了合成数据适应性差的问题，在三个数据集上实验结果表明该方案在跨领域计数问题中达到了最先进水平。

Feb, 2020

跨域少样本分割中的动态自适应细化方法 (Dynamically Adaptive Refine, DARNet)，包括通道统计扰动和自适应细化自匹配技术，以及测试时的自适应方法（Test-Time Adaptation, TTA），在跨域少样本分割任务中显著超越了现有方法的性能。

Dec, 2023

跨领域少样本分割 (CD-FSS) 需要仅使用有限样本从不同领域中对新颖类别进行分割，论文发现通过 fine-tuning 阶段有效地在领域之间转移学习得到的元知识的必要性以及由于新颖类别样本稀缺导致朴素的 fine-tuning 存在过拟合风险，并提出了一种解决这一挑战的新型跨领域 fine-tuning 策略，通过设计双向少样本预测 (BFP) 和迭代少样本适配器 (IFA) 来降低过拟合风险并最大化利用稀疏的新颖类别样本的监督信号，实验证明该方法显著优于当前技术水平 (+7.8%)，验证了 IFA 能同时应对跨领域挑战和减轻过拟合问题。代码将提供。

Jan, 2024