論文の概要: Divide-and-Conquer Decoupled Network for Cross-Domain Few-Shot Segmentation

• arxiv url: http://arxiv.org/abs/2511.07798v1
• Date: Wed, 12 Nov 2025 01:19:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.482333
• Title: Divide-and-Conquer Decoupled Network for Cross-Domain Few-Shot Segmentation
• Title（参考訳）: クロスドメインFew-Shotセグメンテーションのためのディバイド・アンド・コンカマーデカップリングネットワーク
• Authors: Runmin Cong, Anpeng Wang, Bin Wan, Cong Zhang, Xiaofei Zhou, Wei Zhang,
• Abstract要約: クロスドメイン・ショット・セグメンテーション (CD-FSS) は、新しいクラスを認識し、限られたアノテーションで見えないドメインに適応するという2つの課題に取り組むことを目的としている。 エンコーダは、しばしばドメイン関連情報とカテゴリ関連情報を絡めて、一般化と新しいドメインへの迅速な適応を制限している。 この問題に対処するために、DCDNet(Divide-and-Conquer Decoupled Network)を提案する。
• 参考スコア（独自算出の注目度）: 40.12863532926691
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain few-shot segmentation (CD-FSS) aims to tackle the dual challenge of recognizing novel classes and adapting to unseen domains with limited annotations. However, encoder features often entangle domain-relevant and category-relevant information, limiting both generalization and rapid adaptation to new domains. To address this issue, we propose a Divide-and-Conquer Decoupled Network (DCDNet). In the training stage, to tackle feature entanglement that impedes cross-domain generalization and rapid adaptation, we propose the Adversarial-Contrastive Feature Decomposition (ACFD) module. It decouples backbone features into category-relevant private and domain-relevant shared representations via contrastive learning and adversarial learning. Then, to mitigate the potential degradation caused by the disentanglement, the Matrix-Guided Dynamic Fusion (MGDF) module adaptively integrates base, shared, and private features under spatial guidance, maintaining structural coherence. In addition, in the fine-tuning stage, to enhanced model generalization, the Cross-Adaptive Modulation (CAM) module is placed before the MGDF, where shared features guide private features via modulation ensuring effective integration of domain-relevant information. Extensive experiments on four challenging datasets show that DCDNet outperforms existing CD-FSS methods, setting a new state-of-the-art for cross-domain generalization and few-shot adaptation.
• Abstract（参考訳）: クロスドメイン・ショット・セグメンテーション (CD-FSS) は、新しいクラスを認識し、限られたアノテーションで見えないドメインに適応するという2つの課題に取り組むことを目的としている。 しかし、エンコーダはしばしばドメイン関連情報とカテゴリ関連情報を絡めて、一般化と新しいドメインへの迅速な適応を制限している。 この問題に対処するために、DCDNet(Divide-and-Conquer Decoupled Network)を提案する。 トレーニング段階では,クロスドメインの一般化と迅速な適応を妨げる特徴の絡み合いに対処するため,Adversarial-Contrastive Feature Decomposition (ACFD)モジュールを提案する。 バックボーンの特徴を、対照的な学習と敵対的な学習を通じて、カテゴリ関連とドメイン関連の共有表現に分離する。 そこで, マトリックスガイド型ダイナミックフュージョン (MGDF) モジュールは, 空間誘導下でのベース, 共有, プライベートな特徴を適応的に統合し, 構造コヒーレンスを維持する。 さらに、微調整段階において、モデル一般化を強化するため、MGDFの前にクロス適応変調(CAM)モジュールを配置し、ドメイン関連情報の効果的な統合を確実にするための変調を通じて、共有フィーチャがプライベート特徴をガイドする。 4つの挑戦的なデータセットに対する大規模な実験は、DCDNetが既存のCD-FSSメソッドより優れており、クロスドメインの一般化と少数ショット適応のための新しい最先端の設定を行っていることを示している。

関連論文リスト

• PointDGMamba: Domain Generalization of Point Cloud Classification via Generalized State Space Model [77.00221501105788]
  領域一般化(DG)は、最近、点雲分類の一般化性を改善するために研究されている。 本稿では、DG PCCにおける状態空間モデル(SSM)の一般化可能性について研究する。 本稿では,未知の領域に対して強い一般化性を持つ新しいフレームワークであるPointDGMambaを提案する。
  論文  参考訳（メタデータ） (2024-08-24T12:53:48Z)
• DSDRNet: Disentangling Representation and Reconstruct Network for Domain Generalization [26.19333812906363]
  本稿ではDSDRNetと呼ばれるデュアルストリーム分離再構成ネットワークを提案する。 これは、二重ストリーム融合を通じて、インスタンス間およびインスタンス内両方の特徴を統合する、アンタングルメント・リコンストラクションのアプローチである。 4つのベンチマークデータセットの実験により、DSDRNetはドメインの一般化能力において他の一般的なメソッドよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-04-22T03:15:42Z)
• Unified Domain Adaptive Semantic Segmentation [105.05235403072021]
  Unsupervised Adaptive Domain Semantic (UDA-SS)は、ラベル付きソースドメインからラベル付きターゲットドメインに監督を移すことを目的としている。 本稿では,特徴量と特徴量との相違に対処するQuad-directional Mixup(QuadMix)法を提案する。 提案手法は,4つの挑戦的UDA-SSベンチマークにおいて,最先端の成果を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2023-11-22T09:18:49Z)
• Domain Adaptive Object Detection via Feature Separation and Alignment [11.4768983507572]
  対向型ドメイン適応オブジェクト検出法(DAOD)が急速に開発されている。 本稿では,grey-scale feature separation (gsfs) モジュール,local-global feature alignment (lgfa) モジュール,および region-instance-level alignment (rila) モジュールからなる特徴分離アライメントネットワーク (fsanet) を確立する。 私達のFSANetはターゲット ドメインの検出でよりよい性能を達成し、最先端の方法を超過します。
  論文  参考訳（メタデータ） (2020-12-16T01:44:34Z)
• Cross-Domain Grouping and Alignment for Domain Adaptive Semantic Segmentation [74.3349233035632]
  深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。 学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。 本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
  論文  参考訳（メタデータ） (2020-12-15T11:36:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。