基于注意力辅助多级融合框架的广义虹膜呈现攻击检测研究

本文推荐一篇创新性研究：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影响分类性能的问题，提出自动特征选择（AFS）模块，通过自适应权重融合量化局部/全局特征，显著提升特征表示质量。基于此构建的AFS-FR网络在CUB-200-2011等5个基准数据集上实现SOTA性能（如Tiered-ImageNet的5-way 1-shot任务准确率达86.30±0.13），较现有最优方法提升4-5%。

　　

Highlight

本研究揭示了现有小样本学习（FSL）方法的核心缺陷：不同骨干网络（如ResNet12与视觉Transformer/ViT）对同一图像提取的特征存在显著差异（如图1所示，鸟类图像在ResNet12中聚焦目标，而在ViT中误判背景）。这种特征表示的不一致性严重制约了分类性能。

Methodology

创新性提出自动特征选择（AFS）模块：

1. 通道/特征图标准化：统一不同骨干网络输出的特征维度

2. 自适应权重融合：动态平衡ResNet12与ViT等网络的量化局部/全局特征

3. 噪声抑制机制：通过能量聚焦强化目标特征，抑制背景干扰

Experimental Validation

在五大基准数据集（含细粒度分类数据集CUB-200-2011和Aircraft）的测试中：

• Tiered-ImageNet数据集5-way 5-shot任务达到94.84±0.06准确率

• 相较多模态学习（multi-modal learning）方法，仅用单模态数据即实现竞争优势

Conclusion

AFS-FR网络通过特征表示的一致性优化，为小样本学习提供了：

? 骨干网络差异的自动调和方案

? 跨数据集的高鲁棒性特征提取框架

? 较传统特征重构（FRN）方法更优的泛化能力