RestNet: 利用残差转换网络提升跨领域少样本分割
原文中文，约400字，阅读约需1分钟。发表于：。提出了一种新型的残差转换网络（RestNet），在保留域内支持 - 查询特征信息的同时，通过语义增强锚点转换模块（SEAT）将特征映射到稳定的域无关空间，以及通过域内残差增强模块（IRE）在新空间中维持原始判别空间的域内表示。提出了基于原型融合的掩模预测策略，帮助模型逐渐学习如何进行分割。实验证明，RestNet 在 ISIC、胸部 X 光和 FSS-1000 数据集上取得了最先进的性能。
本文提出了一种通用的学习方法，通过整体学习两个领域的特征，实现跨域特征融合。我们提出了跨域特征融合转换器 (CFFT) 来解耦和融合多域特征。实验证明了我们方法的优势和潜力。
