論文の概要: Training-Free Spectral Transductive Refinement for Cross-Domain Few-Shot Classification

• arxiv url: http://arxiv.org/abs/2609.23758v1
• Date: Sun, 20 Sep 2026 17:16:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.977353
• Title: Training-Free Spectral Transductive Refinement for Cross-Domain Few-Shot Classification
• Title（参考訳）: クロスドメインFew-Shot分類のためのトレーニングフリースペクトルトランスダクティブリファクション
• Abstract要約: 凍結した視覚的特徴を持つショット認識は、ドメインシフトとワンショットの監視の下で特に脆弱である。 完全サポートクエリーエピソードの幾何学を活かしたトレーニング不要なトランスダクティブ推論ルールであるスペクトルトランスダクティブリファインメント(STR)を提案する。 STRは比較対象のメソッドの中で最も高い1ショット平均に達し、5ショットで競争力を維持している。
• 参考スコア（独自算出の注目度）: 0.12932412290302253
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot recognition with frozen visual features is especially fragile under domain shift and one-shot supervision, where a single labelled image is an unreliable estimate of its class. We ask how far this fragility can be reduced purely at test time, without retraining the encoder or augmenting the source domain. We present Spectral Transductive Refinement (STR), a training-free transductive inference rule that exploits the geometry of the complete support-query episode. Given frozen embeddings, STR builds a joint k-nearest-neighbour graph, maps the episode into a normalized-Laplacian spectral coordinate system, initializes class representatives from the labelled support, and iteratively refines them using pseudo-labelled queries. We evaluate STR under two protocols. A controlled component study with frozen ResNet-18 features shows that spectral refinement consistently improves over single-prototype spectral initialization across five shifted domains, with the largest gains in the one-shot regime where support estimates are weakest. We then benchmark STR against recent Cross-Domain Few-Shot Learning (CD-FSL) methods using the standard miniImageNet-pretrained ResNet-10 backbone over eight established target domains. Operating entirely at inference time, STR attains the highest 1-shot average among compared methods and remains competitive at 5-shot, rivalling approaches relying on heavy source-domain meta-training augmentations. Because STR is transductive, we report its setting explicitly. Diagnostics attribute its gains to iterative refinement in spectral coordinates rather than added prototype capacity, which remains inactive in our configuration.
• Abstract（参考訳）: 凍結した視覚的特徴を持つショット認識は、特にドメインシフトやワンショットの監視において脆弱であり、単一のラベル付き画像はそのクラスの信頼性の低い推定値である。 私たちは、エンコーダを再トレーニングしたり、ソースドメインを拡大することなく、テスト時にこの脆弱性がどの程度純粋に削減できるかを尋ねます。 完全サポートクエリーエピソードの幾何学を活かしたトレーニング不要なトランスダクティブ推論ルールであるスペクトルトランスダクティブリファインメント(STR)を提案する。 凍結埋め込みが与えられたら、STRは共同でk-アネレス近傍グラフを構築し、エピソードを正規化されたラプラシアンスペクトル座標系にマッピングし、ラベル付きサポートからクラス代表を初期化し、擬似ラベル付きクエリを使って反復的に洗練する。 STRを2つのプロトコルで評価する。 凍結したResNet-18特徴を用いた制御された成分分析により、スペクトル改善は5つのシフトした領域における単一プロトタイプスペクトルの初期化よりも一貫して改善され、サポート推定が最も弱いワンショット方式では最大の利益が得られた。 次に、標準の miniImageNet-pretrained ResNet-10 バックボーンを用いて、最近のクロスドメインFew-Shot Learning (CD-FSL) 手法に対してSTRをベンチマークする。 完全に推論時間で運用されているSTRは、比較対象のメソッドの中で最高1ショット平均に達し、5ショットで競争力を維持しており、重いソースドメインのメタトレーニングに頼っている競合するアプローチである。 STRはトランスダクティブであるため,その設定を明示的に報告する。 診断は、プロトタイプの容量を増やすのではなく、スペクトル座標の反復的な改善によるもので、これは我々の構成では不活性である。

関連論文リスト

• Hierarchical Adaptive Feature Refinement Network for VHR Remote Sensing Image Segmentation [15.24999553337715]
  本稿では,階層的表現を適応的に整理・洗練する進歩的改良フレームワークHAFR-Netを提案する。 マッチしたSwin-Bトレーニングとシングルスケール推論プロトコルの下で、HAFR-Netは84.12%、87.86%、55.17%、67.70%mIoUを達成した。
  論文  参考訳（メタデータ） (2026-08-16T09:26:58Z)
• FAIR: Feature-Augmented Implicit Regularization for AI-generated Fake Image Detection [5.673956549751241]
  AI生成画像検出において、一般化は依然として重要なボトルネックである。 FAIR(Feature-Augmented Implicit Regularization)を提案する。 我々は、FAIRが精度を最大8.04%向上させ、ゼロショット転送シナリオにおける新しい最先端のロバスト性を確立することを示す。
  論文  参考訳（メタデータ） (2026-07-24T08:34:56Z)
• LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
  赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。 深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。 深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。 これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:15:09Z)
• FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
  FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。 FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。 我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
  論文  参考訳（メタデータ） (2026-05-27T08:55:54Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• Frequency-Enhanced Dual-Subspace Networks for Few-Shot Fine-Grained Image Classification [6.738210148449625]
  微粒化の少ない画像分類は,注釈付きサンプルの限られた数だけを用いて,視覚的類似度の高いサブカテゴリを認識することを目的としている。 既存のメトリック学習ベースの手法は、通常、空間的領域の特徴のみに依存する。 本稿では、周波数拡張デュアルサブスペースネットワーク(FEDSNet)を提案する。
  論文  参考訳（メタデータ） (2026-04-16T12:54:29Z)
• ReHARK: Refined Hybrid Adaptive RBF Kernels for Robust One-Shot Vision-Language Adaptation [3.8707695363745214]
  ReHARKは、グローバルな近位正規化を通じて、少数ショット適応を再解釈する、トレーニング不要のフレームワークである。 ワンショット適応のための新しい最先端技術がReHARKによって確立され、平均精度は65.83%である。
  論文  参考訳（メタデータ） (2026-03-12T04:59:09Z)
• StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
  本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。 我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。 スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-02T11:35:05Z)
• Cross-Domain Transfer with Self-Supervised Spectral-Spatial Modeling for Hyperspectral Image Classification [5.784164305429653]
  本稿では,自己管理型クロスドメイン転送フレームワークを提案する。 ソースラベルなしで伝送可能なスペクトル-空間結合表現を学習する。 実験結果は、安定した分類性能と強いクロスドメイン適応性を示す。
  論文  参考訳（メタデータ） (2026-01-26T02:52:35Z)
• WaveSeg: Enhancing Segmentation Precision via High-Frequency Prior and Mamba-Driven Spectrum Decomposition [61.3530659856013]
  本稿では,空間およびウェーブレット領域の機能改善を共同で最適化する新しいデコーダアーキテクチャであるWaveSegを提案する。 高周波成分は、まず入力画像から、境界の詳細を強化するために明示的な先行として学習される。 標準ベンチマークの実験では、Mambaベースの注目に先立ってウェーブレット-ドメイン周波数を利用するWaveSegが、常に最先端のアプローチより優れていることが示されている。
  論文  参考訳（メタデータ） (2025-10-24T01:41:31Z)
• Amplitude Spectrum Transformation for Open Compound Domain Adaptive Semantic Segmentation [62.68759523116924]
  オープン化合物ドメイン適応(OCDA)は、実用的な適応セットとして現れている。 我々は、新しい特徴空間振幅スペクトル変換(AST)を提案する。
  論文  参考訳（メタデータ） (2022-02-09T05:40:34Z)

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。