面向高相似情境下数据有限场景的整体认知分治方法
计算机视觉与模式识别
2026-04-22 v1
摘要
超精细视觉分类（Ultra-FGVC）旨在使用有限的训练样本对细粒度对象中高度相似的子类别进行分类。然而，当前研究在探索类器官感知方面存在不足，如极其相似的培育物中叶轮廓，从而限制了识别性能。虽然至关重要，但使用复杂形态结构建模整体感知特征通常需要大量训练样本，在数据有限的场景中提出了重大挑战。为解决这一挑战，我们提出一种 novel 分治式整体认知网络（DHCNet），该网络通过分解整体感知特征中的空间关联细微差异并逐步建立整体认知过程来实施分治策略，显著简化整体认知过程并减少对训练数据的依赖。技术上，DHCNet通过自洗牌操作在局部区域中逐步分析细微差异，从较小的局部补丁过渡到较大的补丁。同时，它利用未受影响的局部区域来可能引导对被洗牌补丁原始拓扑结构的感知，从而有助于建立这些差异的空间关联。此外，DHCNet将从局部区域发现的这些整体感知特征在线细化纳入训练过程，以迭代改进其质量。结果，DHCNet将这些整体感知特征用作监督信号来微调识别模型的参数，从而提高其对整个对象中整体感知特征的敏感性。广泛的评估表明，DHCNet在五个广泛使用的数据集上实现了显著的性能。
引用
@article{arxiv.2604.19339,
title = {Divide-and-Conquer Approach to Holistic Cognition in High-Similarity Contexts with Limited Data},
author = {Shijie Wang and Zijian Wang and Yadan Luo and Haojie Li and Zi Huang and Mahsa Baktashmotlagh},
journal= {arXiv preprint arXiv:2604.19339},
year = {2026}
}