Adaptive receptive field-based spatial-frequency feature reconstruction network for few-shot fine-grained image classification
计算机视觉与模式识别
2026-04-21 v1 人工智能
摘要
特征重建技术被广泛应用于小样本细粒度图像分类（FSFGIC）。我们的研究表明，现有基于特征的FSFGIC方法面临的主要挑战之一是如何选择感受野大小，以从不同类别的输入图像中提取特征描述符（包括空间和频率特征描述符），从而更好地执行FSFGIC任务。为此，我们提出了一种基于自适应感受野的空间-频率特征重建网络（ARF-SFR-Net）。所设计的ARF-SFR-Net能够自适应地确定感受野大小以获取空间和频率特征，并有效地融合它们以进行重建和FSFGIC任务。所设计的ARF-SFR-Net可以轻松嵌入到给定的小样本学习训练机制中，进行端到端的从头训练。在多个FSFGIC基准上的大量实验证明了所提出的ARF-SFR-Net相对于最先进方法的有效性和优越性。代码可在以下网址获取：https://github.com/ICL-SUST/ARF-SFR-Net.git。
关键词
引用
@article{arxiv.2604.16936,
title = {Adaptive receptive field-based spatial-frequency feature reconstruction network for few-shot fine-grained image classification},
author = {Linyue Zhang and Wenyi Zeng and Zicheng Pan and Yongsheng Gao and Changming Sun and Jun Hu and Lixian Liu and Weichuan Zhang and Tuo Wang},
journal= {arXiv preprint arXiv:2604.16936},
year = {2026}
}