调适先于比较：跨域少样本分割的新视角
内容提要
该文综述跨域少样本分割与分类研究，提出动态自适应细化DARNet、双向少样本预测与迭代适配器、少样本域自适应、对抗任务增强、自适应语义一致性、元混合网络、聚类适配C2A、base learner结合及跨域自监督等方法，以缓解域差异与过拟合，性能显著提升。
延伸解读
跨域少样本分割的核心挑战
文章指出，跨域少样本分割（CD-FSS）需仅用少量样本分割新类，且训练与测试域不同。域差异和样本稀缺易导致过拟合，因此需在微调阶段有效迁移元知识，并设计策略降低过拟合风险，如双向少样本预测和迭代少样本适配器。
动态自适应与测试时适应
DARNet通过通道统计扰动和自适应细化自匹配，结合测试时适应（TTA），在跨域少样本分割中显著超越现有方法。这表明在测试阶段动态调整模型能有效缓解域偏移，为实际部署提供思路。
多样化的域适应技术路线
文章综述了多种方法：少样本域自适应通过约束特征标准化统计；对抗任务增强提升归纳偏置鲁棒性；自适应语义一致性显式转移源知识；元混合网络解缠域无关特征；聚类适配C2A对齐类别；base learner结合提升泛化；跨域自监督学习领域不变特征。这些技术从不同角度缓解域差异。
Q&A
跨域少样本分割（CD-FSS）面临的主要挑战是什么？
跨域少样本分割需要仅使用有限样本从不同领域中对新颖类别进行分割，主要挑战是领域差异和由于新颖类别样本稀缺导致的过拟合风险。
DARNet 是如何提升跨域少样本分割性能的？
DARNet 通过通道统计扰动和自适应细化自匹配技术，以及测试时的自适应方法（TTA），在跨域少样本分割任务中显著超越了现有方法的性能。
如何解决跨域少样本分割中朴素微调的过拟合问题？
通过设计双向少样本预测（BFP）和迭代少样本适配器（IFA）来降低过拟合风险并最大化利用稀疏的新颖类别样本的监督信号，实验证明该方法显著优于当前技术水平（+7.8%）。
少样本领域自适应框架如何改善源模型在目标域上的分类性能？
该框架通过受目标域的一个小支持集合监督的预训练源模型中的特征标准化统计的约束优化，来改善源模型的分类性能，实验证明该方法优于测试时适应方法，并且没有实时流条件的限制。
对抗任务增强如何提高元学习模型在跨域通用性中的性能？
对抗任务增强方法生成具有挑战性的任务，提供简单的即插即用模块，从而改善归纳偏置的鲁棒性，提高元学习模型在跨域通用性中的性能。
元混合网络是如何缩小域差距并泛化到目标数据集的？
元混合网络利用少量标记目标数据来指导模型学习，通过将混合模块集成到元学习机制中，以及提出新的解缠模块和域分类器来提取解缠的领域无关和领域特定特征，从而缩小域差距，使模型能够很好地泛化到目标数据集。
