对比"语言-图像"预训练（ContrastiveLanguage-ImageP，CLIP）在各种图像级任务上表现出很强的zero-shot分类能力，因此引出了一系列研究：如何在不进行额外训练的情况下将CLIP应用于像素级开放词汇语义分割。关键是改进图像级CLIP的空间表示，如用self-self注意图或基于VFM的注意图代替最后一层的自我注意图。本文提出了一个新的分层框架CLIPer，它对CLIP

文章来自AAAI2026：在使适应下游任务时，关键的挑战是如何有效地其固有的功能，在这种情况下，方法由于其上级参数性能权衡而成为关键解决方案。但是，虽然功能强大，但在与现有的PEFT方法相结合时，在分割任务中往往会遇到困难，这种限制主要是由于他们无法有效地处理在RS图像中普遍存在的。在自然图像中，通常围绕前景对象，如人类或动物，它们引起的干扰相对有限。相比之下，RS图像由于其俯视视角，缺乏集中的主