计算机工程

作者：文浪, 苟光磊, 白瑞峰, 缪宛谕

单位：重庆理工大学计算机科学与工程学院, 重庆 400054

关键词：小样本学习,细粒度图像分类,频域学习,特征增强,注意力机制,度量学习

基金：国家自然科学基金(62141201); 重庆市教委科学技术项目(KJZD-M202201102); 重庆理工大学研究生2024创新项目(gzlcx20243182)

目前, 细粒度图像分类任务面临着标注困难、样本数量稀缺以及类别差异微小等挑战。为了应对这些问题, 提出一种基于邻域融合和特征增强的小样本细粒度图像分类方法。首先, 利用离散余弦变换(DCT)和通道注意力机制分别捕获图像的全局信息和局部信息, 并将这2种特征在通道维度上进行拼接, 这种结合空间域和频率域的特征提取方法不仅增强了样本特征的多样化, 还提高了模型的泛化能力; 其次, 引入特征增强模块计算查询样本与支持类原型之间的相关性, 生成自适应权重, 以指导查询信息, 补充支持样本图像的细致学习, 这一过程有效地捕捉了同类别图像之间的差异, 同时抑制不同类别图像的局部相似性; 最后, 使用双相似性度量模块衡量支持类原型与待分类样本图像之间的相关分数, 实现更精准的图像分类。实验结果表明, 在Mini-ImageNet、CUB-200-2011、Stanford Dogs和Stanford Cars 4个公开数据集的5-shot任务中, 该方法的准确率分别达到了79.22%、87.47%、79.23%和83.71%, 相较于对比方法性能更优。

来源：2026年第2期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第2期