用于少样本图像分类的类脑自适应记忆双网络
计算机视觉与模式识别
2025-03-11 v1 人工智能
摘要
少样本图像分类因其在现实场景中的广泛应用而成为热门研究课题，然而单一图像级标注导致的监督坍缩问题仍然是一个主要挑战。现有方法旨在通过定位和对齐相关的局部特征来解决这个问题。然而，真实世界图像中较高的类内变异性，在少样本设定下定位语义相关的局部区域带来了重大挑战。受人类互补学习系统启发——该系统擅长从有限样本中快速捕捉和整合语义特征——我们提出了泛化优化的系统巩固自适应记忆双网络（SCAM-Net）。该方法利用自适应记忆模块模拟互补学习系统的系统巩固过程，成功解决了少样本场景下识别有意义特征的困难。具体而言，我们构建了一个海马体-新皮层双网络，用于巩固每个类别的结构化表示，随后该结构化表示在新皮层的长期记忆中遵循泛化优化原则进行存储和自适应调节。在基准数据集上的广泛实验表明，所提出的模型取得了 SOTA 性能。
引用
@article{arxiv.2503.07396,
title = {Brain Inspired Adaptive Memory Dual-Net for Few-Shot Image Classification},
author = {Kexin Di and Xiuxing Li and Yuyang Han and Ziyu Li and Qing Li and Xia Wu},
journal= {arXiv preprint arXiv:2503.07396},
year = {2025}
}