FAD：频率适应与偏转用于跨域少样本学习
计算机视觉与模式识别
2025-05-14 v1 人工智能
摘要
跨域少样本学习(CD-FSL)要求模型在显著分布迁移下从有限标注样本中泛化。虽然最近的方法通过轻量级任务特定模块提升适应性，但仅 operate 在空间域，忽略了对于鲁棒迁移至关重要的频率特定差异。我们观察到，跨域中空间相似的图像在其谱表示上可能存在显著差异，低频和高频分别在粗糙和细粒度水平捕获互补语义信息。这表明，统一的空间适应可能忽略这些谱差异，从而限制泛化。在本文中，我们引入频率适应与偏转(FAD)，一个频率感知框架，显式建模和调制谱分量。其核心是频率偏转适配器，该适配器通过离散傅里叶变换(DFT)将中间特征转换为频率域，将其划分为低频、中频和高频带，通过逆DFT(IDFT)重构每个频带。每个频带随后通过专为其谱尺度设计的卷积分支进行适应，实现对频率的针对性和解耦式适应。大量实验表明，在Meta-Dataset基准上，FAD在seen和unseen域上均 consistently 优于最先进的方法，验证了频率域表示和频带级适应在提高CD-FSL泛化方面的有效性。
引用
@article{arxiv.2505.08349,
title = {FAD: Frequency Adaptation and Diversion for Cross-domain Few-shot Learning},
author = {Ruixiao Shi and Fu Feng and Yucheng Xie and Jing Wang and Xin Geng},
journal= {arXiv preprint arXiv:2505.08349},
year = {2025}
}