.png){kind=icon}
返回
Knowledge-driven prototype refinement for few-shot fine-grained recognition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113535.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习的发展使得在充足数据和监督条件下，图像分类能够媲美人类性能。然而，在视觉样本有限且标注成本高的领域，让AI系统高效地学习少量样本是一项挑战。这一挑战在细粒度类别中更为突出，细微差异和样本稀缺阻碍了鲁棒表示的提取。为解决此问题，我们提出了知识驱动原型优化（KDPR）框架，通过整合文本先验知识来增强少样本细粒度识别。KDPR模拟人类对区分性前景区域的关注，提取优化视图，与原始图像共同形成双分支学习框架。同时，它构建视觉实例间的无监督邻接图，并利用图神经网络提升类别表示的鲁棒性。此外，基于知识迁移的图像识别器将先验文本嵌入与全局语义直接整合至视觉识别中，提供额外的语义指导。为优化知识到视觉的映射，辅助空间原型校准实现了跨多个空间的表示对齐。在三个细粒度数据集和两种流行骨干网络上的大量实验表明，本方法有效且性能达到当前最优，尤其在1样本学习任务中表现突出。源代码可访问：https://github.com/HHU-JialeChen/KDPRNet。
Keyword:
Few-shot learning
Fine-grained recognition
Knowledge transfer
Semantic alignment
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
Deep metric learning for few-shot image classification: A Review of recent developments用于少镜头图像分类的深度度量学习: 最新进展综述.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏An Effective Task Sampling Strategy Based on Category Generation for Fine-Grained Few-Shot Object Recognition基于类别生成的细粒度少样本目标识别的有效任务采样策略
OAAI
OAAI分享收藏Bi-channel attention meta learning for few-shot fine-grained image recognition用于少镜头细粒度图像识别的双通道注意力元学习
PREAI
分享收藏分享收藏Prototype Rectification with Region-Wise Foreground Enhancement for Few-Shot Classification基于区域前景增强的原型校正方法用于少样本分类
PREAI
分享收藏分享收藏
查看更多内容