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

跨领域少样本语义分割（CD-FSS）旨在训练能够用少量标记图像从不同领域分割类别的通用模型。本文提出了基于双重匹配变换网络（DMTNet）的算法来解决特征转换中的问题。通过使用自匹配变换（SMT）构造基于查询图像自身的查询特定变换矩阵，而不是完全依赖支持图像，可以防止过拟合。此外，还提出了测试时间自校准（TSF）策略来更准确地在未知领域中自动调整查询预测。在四个流行数据集上进行的广泛实验表明，DMTNet 相比最先进的方法获得了卓越的性能。

May, 2024

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

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

引入了一种新型的自动提示网络（APSeg）用于跨领域的少样本语义分割（CD-FSS），其中采用了 Dual Prototype Anchor Transformation（DPAT）模块从伪查询原型和支持原型中融合特征，实现了对跨领域分割的自动引导。该模型在四个跨领域数据集上的实验证明，在 1-shot 和 5-shot 设置中相对于现有的 CD-FSS 方法，模型的平均准确率分别提高了 5.24% 和 3.10%。

Jun, 2024

在少样本语义分割中，通过使用适配器将不同目标域风格矫正到源域，来提高现有方法在领域转移中的性能。我们提出了一种局部 - 全局样式扰动方法，用于模拟不同潜在目标域，并引入一个循环域对齐模块来有效地校正域。大量的实验证明了我们的方法的有效性，并在跨域少样本语义分割任务中取得了有希望的结果。

Apr, 2024

提出了一种名为 DMNet 的双挖掘网络来解决卫星遥感场景中极端类内变化的问题，并通过 Class-public Region Mining 和 Class-specific Region Mining 模块有效地实现语义的挖掘和提取，同时引入 Known-class Meta Suppressor 模块来抑制已知类中的对象激活，实现了在少量样本下对未知类目标的差异化分割。

Oct, 2023

通过设计自适应语义一致性机制，提出了一种适应性的源领域知识转移框架（ASC），通过在源领域预训练中重用源图像并设计自适应的权重分配策略，实现了源领域知识向目标领域的显式转移，有效地减轻了跨领域 few-shot 分类中过拟合的问题。

Aug, 2023

本文提出了 DecoupleNet 算法，通过 Self-Discrimination 技术和 Online Enhanced Self-Training 方法解决已有无监督域适应方法中存在的问题，这一算法在语义分割方面优于目前现有的方法。

Jul, 2022

本文提出了基于 Hierarchically Decoupled Matching Network (HDMNet) 的 Few-shot 语义分割方法，使用 transformer 架构、自注意力模块和匹配模块来实现级联匹配和关键像素级别的支持关联，且通过语义对应度实现了从粗糙分辨率到细粒度分割的相关性蒸馏，实验结果表明在 COCO 数据集中的 few-shot 语义分割任务上取得了较好的性能。

Jun, 2023