基于自适应特征选择的小样本学习特征重构网络研究

本文推荐一篇突破性研究：作者团队针对小样本学习(FSL)中不同骨干网络提取特征差异显著的问题，创新性提出自动特征选择(AFS)模块，通过自适应权重整合ResNet12/ViT等多源特征，在CUB-200-2011等5个基准数据集上实现分类准确率显著提升（Tiered-ImageNet达86.30±0.13@5-way 1-shot），较现有方法最高提升5%。

　　

亮点解析

本工作提出的自适应特征选择(AFS)模块能突破性地从不同骨干网络（如ResNet12与ViT）中提取量化后的局部/全局特征，通过自适应权重整合实现两大核心突破：1）有效突出目标特征信息；2）显著抑制背景噪声干扰。如图1所示，传统方法中鸟类图像经ResNet12能准确聚焦目标，而ViT却错误关注背景区域——这种特征表征的显著差异正是AFS模块重点攻克的技术难点。

问题陈述

给定包含C类的数据集D，我们将其划分为训练集D_train、验证集D_val和测试集D_test。典型FSL任务由支持集S和查询集Q构成，其中S包含c类图像（c∈C），每类提供k个标注样本。

数据集验证

在CUB-200-2011（11,788鸟类样本）、Stanford Dogs（20,580犬类样本）等5大基准测试中，AFS-FR网络展现出卓越性能。特别在Tiered-ImageNet的5-way 5-shot测试中，分类准确率高达94.84±0.06%，较现有最优指标提升约5%。

结论

本工作开发的AFS-FR网络通过创新性特征选择机制，首次实现从不同骨干网络中自适应提取优质特征表征，为小样本学习领域提供新的技术范式。该网络无需依赖多模态数据集，即可显著提升特征质量与分类精度。