知识驱动的粗粒度到细粒度迁移学习框架在少样本细粒度视觉识别中的突破性应用

这篇综述创新性地提出知识驱动基线(KD-baseline)框架，通过粗粒度元预训练(coarse-grained meta-pretraining)和细粒度元微调(fine-grained meta-finetuning)两阶段策略，将大规模粗粒度数据集知识迁移至少样本细粒度视觉识别(FS-FGVR)任务。研究突破传统元学习(meta-learning)对小规模训练任务的依赖，在CUB-200-2011等基准测试中显著提升5-way 1-shot识别准确率，并拓展应用于纹理识别领域。

　　

【研究亮点】

本研究通过粗粒度到细粒度的知识迁移框架，突破少样本细粒度视觉识别(FS-FGVR)中训练数据稀缺的瓶颈。实验证明，基于原型网络(ProtoNet)改进的知识驱动基线(KD-baseline)在50%训练样本削减条件下，性能仍优于传统方法。

【核心发现】

• 提出两阶段训练范式：先利用粗粒度数据构建先验知识，再推断细粒度表征的交互关系

• 在CUB-200-2011和FGVC-Aircraft数据集上，5-way 1-shot任务准确率显著提升

• 拓展应用：结合稳定扩散模型(stable diffusion)生成纹理数据，在DTD和KTH-TIPS数据集验证普适性

【创新价值】

该框架为医学影像分析提供新思路——通过迁移自然图像知识辅助罕见病病理识别，其粗到细的知识迁移机制可泛化至细胞分类、组织分型等生物医学场景。

【结论启示】

这项工作揭示了跨粒度知识迁移在数据稀缺场景的潜力，为开发样本高效的生物医学图像算法奠定基础。后续可探索多模态知识融合策略，进一步提升在复杂生物样本中的识别鲁棒性。