原型引导域不变分割网络

参数少性能强

用非参数矩阵同时增强类内域不变表征并归一化域特定信息，仅3.29M参数在GTA5多目标域设定达66.8%平均mIoU。

Liao, Muxin · Yin, Chengle · Yuhang, Zhang · Haoyuan, Yang · Wenju, Huang · 彭莹琼 · 王映龙

Engineering Applications of Artificial Intelligence 2026

参数信息

平均mIoU

66.8 %

可训练参数量

3.29 M

技术优势

参数少性能强

通过两个非参数矩阵增强域不变信息并归一化域特定信息，无需增加大量可学习参数即可提升泛化。

跨域性能稳定

类内关系不变性矩阵为每个语义类别生成通用表征嵌入，减少域间差异对分割的影响。

域特定信息被抑制

类间关系差异矩阵通过保持一致的类间关系来归一化域特定信息，避免模型过拟合源域。

应用场景

• 跨域语义分割：在多个未见域上直接部署分割模型，无需逐域微调。
• 视觉基础模型适配：利用基础模型表征并抑制域特定分量，提升下游任务泛化。
• 自动驾驶感知：在仿真数据上训练后可直接用于真实城市场景，减少标注成本。
• 机器人视觉：使机器人在不同环境中保持稳定的场景理解能力。