arXiv cs.AI· Lei Yuan, Zhongxu Hu, Jingyi Wen, Pengxing Yi·· 10 小时前AI 评分20
DAUPNet：面向跨域小样本语义分割的域感知不确定性建模与可靠原型判别
DAUPNet: Domain-Aware Uncertainty Modeling for Reliable Prototype Discrimination in Cross-Domain Few-Shot Semantic Segmentation
AI 导读
DAUPNet 将跨域原型匹配重构为不确定性感知的原型判别，先统一支持集与查询集的分层特征，再对前景和背景原型做概率化表示，并用估计的不确定性调控对比优化。在四个标准目标域上，1-shot 和 5-shot 平均 mIoU 分别达到 72.6% 和 76.7%，两个医学域提升明显。代码已开源。
正文 · AI 翻译
摘要：跨域小样本语义分割（CD-FSS）主要被表述为学习域不变表示或改进支持-查询对应关系。然而，巨大的域偏移仍使原型匹配不可靠：不一致的层次响应会破坏支持表示，确定性原型无法表达边界和外观的模糊性，而在优化过程中同等对待可靠性不同的原型会削弱前景-背景分离。因此，我们提出 DAUPNet，这是一个统一框架，将跨域原型匹配重新表述为不确定性感知的原型判别。DAUPNet 首先协调层次化的支持-查询特征以提供稳定的证据，然后以概率方式表示前景和背景原型，最后利用其估计的不确定性来调控对比优化。在四个标准目标域上，DAUPNet 在 1-shot 和 5-shot 设置下分别实现了 72.6% 和 76.7% 的平均 mIoU，其中包括在两个医学领域上的显著提升。这些结果表明，对原型不确定性进行建模并将其纳入优化，为严重域偏移下的 CD-FSS 提供了一种稳健且可解释的方法。代码可在 此 https URL 获取
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2607.16308 [cs.CV] |
| （或 arXiv:2607.16308v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2607.16308 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Lei Yuan [查看邮箱]
[v1]
2026年7月14日星期二 14:48:54 UTC（15,480 KB）
[v2]
2026年10月30日星期五 12:57:45 UTC（18,052 KB）
来源：arXiv cs.AI · arxiv.org