論文の概要: Cross-Domain Few-Shot Segmentation via Multi-view Progressive Adaptation

• arxiv url: http://arxiv.org/abs/2602.05217v1
• Date: Thu, 05 Feb 2026 02:16:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.717536
• Title: Cross-Domain Few-Shot Segmentation via Multi-view Progressive Adaptation
• Title（参考訳）: 多視点プログレッシブ・アダプションによるクロスドメインFew-Shotセグメンテーション
• Authors: Jiahao Nie, Guanqiao Fu, Wenbin An, Yap-Peng Tan, Alex C. Kot, Shijian Lu,
• Abstract要約: Cross-Domain Few-Shotは、いくつかの例に照らされたデータスカースドメインのセグメンテーションを目指している。 データと戦略の両面からドメインをターゲットとするために、少数ショット機能に段階的に適応するマルチビュープログレッシブ適応を提案する。 MPAは、ターゲットドメインに対して効果的に少数ショット機能を適用し、最先端の手法よりも大きなマージンで性能を向上する。
• 参考スコア（独自算出の注目度）: 84.97054460338109
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-Domain Few-Shot Segmentation aims to segment categories in data-scarce domains conditioned on a few exemplars. Typical methods first establish few-shot capability in a large-scale source domain and then adapt it to target domains. However, due to the limited quantity and diversity of target samples, existing methods still exhibit constrained performance. Moreover, the source-trained model's initially weak few-shot capability in target domains, coupled with substantial domain gaps, severely hinders the effective utilization of target samples and further impedes adaptation. To this end, we propose Multi-view Progressive Adaptation, which progressively adapts few-shot capability to target domains from both data and strategy perspectives. (i) From the data perspective, we introduce Hybrid Progressive Augmentation, which progressively generates more diverse and complex views through cumulative strong augmentations, thereby creating increasingly challenging learning scenarios. (ii) From the strategy perspective, we design Dual-chain Multi-view Prediction, which fully leverages these progressively complex views through sequential and parallel learning paths under extensive supervision. By jointly enforcing prediction consistency across diverse and complex views, MPA achieves both robust and accurate adaptation to target domains. Extensive experiments demonstrate that MPA effectively adapts few-shot capability to target domains, outperforming state-of-the-art methods by a large margin (+7.0%).
• Abstract（参考訳）: Cross-Domain Few-Shot Segmentationは、いくつかの例で条件付けられたデータスカースドメインのカテゴリをセグメントすることを目的としている。 典型的なメソッドは、まず大規模なソースドメインで少数ショット機能を確立し、次にターゲットドメインに適応する。 しかし, 対象試料の量や多様性が限られているため, 既存の手法では制約性能が保たれている。 さらに、ターゲットドメインにおけるソース学習モデルの当初弱小ショット能力は、相当な領域ギャップと相まって、ターゲットサンプルの有効利用を著しく阻害し、さらに適応を阻害する。 そこで本研究では,データと戦略の両面から,ドメインをターゲットとする少数ショット機能に段階的に適応する多視点プログレッシブ適応を提案する。 (i)データの観点からは,累積的な強力な拡張を通じて,より多様な複雑なビューを徐々に生成し,ますます挑戦的な学習シナリオを生み出すハイブリッドプログレッシブ拡張を導入する。 (II)戦略の観点からは,広範に監視された逐次的かつ並列的な学習経路を通じて,これらの段階的に複雑なビューを完全に活用するデュアルチェーン多視点予測を設計する。 多様な、複雑な視点で予測整合性を共同で実施することにより、MPAはターゲットドメインへの堅牢かつ正確な適応を達成できる。 大規模な実験により、MPAはターゲットドメインに対して効果的に少数ショットの能力を適応し、最先端の手法を大きなマージン(+7.0%)で上回ることを示した。

関連論文リスト

• Improving Anomaly Segmentation with Multi-Granularity Cross-Domain Alignment [17.086123737443714]
  異常セグメンテーションは、画像中の非定型物体を識別する上で重要な役割を担っている。 既存の手法は合成データに顕著な結果を示すが、合成データドメインと実世界のデータドメインの相違を考慮できないことが多い。 シーンと個々のサンプルレベルの両方で、ドメイン間の機能を調和させるのに適した、マルチグラニュラリティ・クロスドメインアライメントフレームワークを導入します。
  論文  参考訳（メタデータ） (2023-08-16T22:54:49Z)
• MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation Segmentation [98.09845149258972]
  セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,アクティブなサンプル選択を導入する。 これらのサンプルを手動でアノテートする作業量が少ないため、ターゲット領域分布の歪みを効果的に緩和することができる。 長期分布問題を緩和するために、強力な半教師付きドメイン適応戦略を提案する。
  論文  参考訳（メタデータ） (2023-01-18T07:55:22Z)
• Multi-Prompt Alignment for Multi-Source Unsupervised Domain Adaptation [86.02485817444216]
  マルチプロンプトアライメント(MPA: Multi-Prompt Alignment)は,マルチソースUDAのためのシンプルかつ効率的なフレームワークである。 MPAは、学習したプロンプトを自動エンコードプロセスで認知し、再構築されたプロンプトの合意を最大化することでそれらを調整する。 実験によると、MPAは3つの一般的なデータセットで最先端の結果を達成し、DomainNetの平均精度は54.1%である。
  論文  参考訳（メタデータ） (2022-09-30T03:40:10Z)
• Multi-Anchor Active Domain Adaptation for Semantic Segmentation [25.93409207335442]
  教師なしのドメイン適応は、手動アノテーションの集中的なワークロードを軽減する効果的なアプローチであることが証明されている。 本稿では,セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,マルチアンカーベースのアクティブラーニング戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-18T07:33:13Z)
• Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring Network [58.05473757538834]
  本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。 3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:47:24Z)
• Dynamic Domain Adaptation for Efficient Inference [12.713628738434881]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベルなしターゲットドメインへの知識転送を可能にする。 以前のdaアプローチのほとんどは、適応能力を改善するために複雑で強力なディープニューラルネットワークを活用する。 低リソースシナリオにおいて効率的なターゲット推論を同時に実現できる動的ドメイン適応(DDA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-26T08:53:16Z)
• Towards Adaptive Semantic Segmentation by Progressive Feature Refinement [16.40758125170239]
  セグメンテーションネットワークの転送可能性を高めるために,ドメイン逆学習とともに,革新的なプログレッシブな特徴改善フレームワークを提案する。 その結果、ソース・ドメイン・イメージで訓練されたセグメンテーション・モデルは、大幅な性能劣化を伴わずにターゲット・ドメインに転送できる。
  論文  参考訳（メタデータ） (2020-09-30T04:17:48Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)

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。