論文の概要: Training-free Cross-domain Few-shot Segmentation via Robust Semantic Representation and Matching

• arxiv url: http://arxiv.org/abs/2606.24297v1
• Date: Tue, 23 Jun 2026 08:19:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.850095
• Title: Training-free Cross-domain Few-shot Segmentation via Robust Semantic Representation and Matching
• Title（参考訳）: ロバストなセマンティック表現とマッチングによる訓練不要なクロスドメインFew-shotセグメンテーション
• Authors: Sujun Sun, Mingwu Ren, Haofeng Zhang,
• Abstract要約: クロスドメインFew-shot (CD-FSS) は、ソースドメインから異なるターゲットドメインに学習した知識を転送することを目的としている。 トレーニングオーバーヘッドとオーバーフィッティングの両方を回避するために,トレーニング不要のフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.277992670183004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain Few-shot Segmentation (CD-FSS) aims to transfer knowledge learned from source domain to distinct target domains, segmenting unseen target classes with only a few annotated samples. Although existing methods have made significant progress, they still rely on training or fine-tuning processes, which incur high computational costs and risk overfitting. We observe that when powerful and general-purpose vision foundation models are incorporated into these methods, their performance shows only marginal improvement or even degrades due to overfitting. To address this, we eliminate trainable parameters and propose a training-free framework to avoid both training overhead and overfitting. Built upon the self-supervised vision encoder DINOv3, our framework addresses cross-domain challenges through three core modules. First, the Semantic-aware Feature Re-fusion (SAFR) module identifies and re-fuses features that emphasize semantic patterns, generating representations with enhanced semantic discriminability. Additionally, the Adaptive Support Enhancement (ASE) module narrows semantic gaps between support and query through robust query information aggregation. Finally, the Hybrid Prototype Matching (HPM) module integrates matching results from diverse prototypes to adapt to varying semantic complexity across domains. Extensive experiments on four target domain datasets demonstrate that our method achieves state-of-the-art performance in CD-FSS without any training.
• Abstract（参考訳）: クロスドメイン Few-shot Segmentation (CD-FSS) は、ソースドメインから異なるターゲットドメインに学習した知識を転送することを目的としており、いくつかのアノテーション付きサンプルで未確認のターゲットクラスをセグメント化する。 既存の手法は大きな進歩を遂げているが、それでも訓練や微調整のプロセスに依存しており、高い計算コストと過度なリスクを伴っている。 これらの手法に強力で汎用的な視覚基盤モデルが組み込まれている場合、その性能は過度な適合により限界的な改善や劣化しか示さないことが観察された。 これを解決するために、トレーニング可能なパラメータを排除し、トレーニングオーバーヘッドとオーバーフィッティングの両方を避けるために、トレーニング不要のフレームワークを提案する。 我々のフレームワークは、自己監督型ビジョンエンコーダDINOv3をベースとして、3つのコアモジュールを通じてドメイン間の課題に対処します。 まず、セマンティック・アウェア・フィーチャー・リフュージョン(SAFR)モジュールはセマンティックなパターンを強調し、セマンティックな識別性を高めた表現を生成する。 さらに、アダプティブサポート強化(ASE)モジュールは、堅牢なクエリ情報アグリゲーションを通じて、サポートとクエリ間のセマンティックギャップを狭める。 最後に、Hybrid Prototype Matching (HPM)モジュールは、さまざまなプロトタイプのマッチング結果を統合して、ドメイン間のセマンティックな複雑さに適応する。 4つの対象領域データセットに対する大規模な実験により,本手法は訓練を伴わずにCD-FSSの最先端性能を実現することを示した。

関連論文リスト

• Hierarchical Spatial and Channel Aggregation for Cross-domain Few-shot Segmentation [8.277992670183004]
  クロスドメインFew-shot (CD-FSS) は、ソースドメインの豊富な注釈付きサンプルから一般化可能なセグメンテーション能力を学ぶことを目的としている。 提案手法は,4つのターゲット・ドメイン・データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-06-23T08:18:53Z)
• Prototype-Regularized Federated Learning for Cross-Domain Aspect Sentiment Triplet Extraction [16.84821204487277]
  Aspect Sentiment Triplet extractは、文章からアスペクト項、意見項、感情極性のすべての感情三重項を抽出することを目的としている。 既存のメソッドは通常、個々のデータセットを個別にトレーニングし、ドメイン間で共有される共通の特徴表現を共同でキャプチャすることができない。 分散クライアントがモデルパラメータの代わりにクラスレベルのプロトタイプを交換できるように,プロトタイプベースのクロスドメインスパンプロトタイプ抽出(PCD-SpanProto)を提案する。
  論文  参考訳（メタデータ） (2026-04-10T09:03:44Z)
• Toward Stable Semi-Supervised Remote Sensing Segmentation via Co-Guidance and Co-Fusion [31.189038928192648]
  Co2Sは半教師付きRSセグメンテーションフレームワークで、ビジョン言語モデルと自己教師型モデルとを融合する。 テキスト埋め込みと学習可能なクエリを利用した,明示的でシンプルなセマンティックコガイダンス機構が導入された。 6つの一般的なデータセットに対する実験は,提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2025-12-28T18:24:19Z)
• Improving Multimodal Distillation for 3D Semantic Segmentation under Domain Shift [62.50795372173394]
  我々は,ライダーポイント雲のセマンティックセグメンテーションのための教師なし領域適応において,視覚基盤モデル(VFM)を利用したレシピの同定を行う。 その結果、パイプラインは4つの広く認識され、困難な設定で、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-11-21T17:57:43Z)
• Bridging Granularity Gaps: Hierarchical Semantic Learning for Cross-domain Few-shot Segmentation [10.442470344182993]
  クロスドメインFew-shot (CD-FSS) は、トレーニングに関わらないターゲットドメインから新しいクラスを分割することを目的としている。 この問題に対処するための階層型意味学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-15T13:13:26Z)
• Unified modality separation: A vision-language framework for unsupervised domain adaptation [60.8391821117794]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインでトレーニングされたモデルが新しいラベル付きドメインを扱うことを可能にする。 本稿では,モダリティ固有成分とモダリティ不変成分の両方に対応可能な統一モダリティ分離フレームワークを提案する。 提案手法は,9倍の計算効率で最大9%の性能向上を実現している。
  論文  参考訳（メタデータ） (2025-08-07T02:51:10Z)
• Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
  単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。 モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
  論文  参考訳（メタデータ） (2025-03-17T18:08:03Z)
• Memory-guided Network with Uncertainty-based Feature Augmentation for Few-shot Semantic Segmentation [12.653336728447654]
  学習可能なメモリベクトルの集合からなるクラス共有メモリ(CSM)モジュールを提案する。 これらのメモリベクトルは、トレーニング中にベースクラスから要素オブジェクトパターンを学習し、トレーニングと推論の両方でクエリ機能を再エンコードする。 我々は、CSMとUFAを代表的FSS作品に統合し、広く使われているPASCAL-5$i$とCOCO-20$i$データセットの実験結果を得た。
  論文  参考訳（メタデータ） (2024-06-01T19:53:25Z)
• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• USER: Unified Semantic Enhancement with Momentum Contrast for Image-Text Retrieval [115.28586222748478]
  Image-Text Retrieval (ITR) は、与えられたクエリに意味のあるターゲットインスタンスを、他のモダリティから検索することを目的としている。 既存のアプローチは通常、2つの大きな制限に悩まされる。
  論文  参考訳（メタデータ） (2023-01-17T12:42:58Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)

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。