TAVP: 任务适应性视觉提示用于跨域少样本分割
原文中文，约400字，阅读约需1分钟。发表于：。本研究针对跨域和少样本应用中的表现不足问题，提出了一种基于Segment Anything Model (SAM) 的任务适应性提示框架。通过多级特征融合和类别域任务适应自动提示模块，显著提升了特征提取质量与学习能力，并在三个基准测试上实现了最佳效果，为跨域少样本分割提供了新的解决方案。
本研究提出了一种在少样本情况下改进普适少样本分割任务的方法，通过学习视觉提示对多尺度Transformer解码器进行提示，实现准确的密集预测。引入单向因果关注机制提升新提示质量，无需测试时间优化或传导即可在基准数据集上实现最先进性能。使用未标记的测试数据进行传导提示调优。
