通过结构化概念与特征空间的常见性、特殊性与混淆性实现细粒度泛化
计算机视觉与模式识别
2026-01-07 v1
摘要
细粒度域泛化（FGDG）比传统域泛化更具挑战性，因为细粒度识别任务中类间差异微小且类内变异相对突出。在域迁移情况下，模型对细粒度线索过于敏感，导致关键特征被抑制并出现显著性能下降。认知研究表明，人类通过利用常见属性和特定属性进行分类，能够准确区分细粒度类别。然而，当前深度学习模型尚未有效地将这一机制纳入实践。灵感来自这一机制，我们提出概念-特征结构化泛化（CFSG）模型。该模型显式地将概念空间和特征空间划分为三个结构化组成部分：常见性、特殊性和混淆性。为缓解不同程度分布迁移的不利影响，我们引入一种自适应机制，动态调整常见性、特殊性和混淆性成分的比例。在最终预测中，为每个成分对显式赋予权重。大量实验表明，在三个单源基准数据集上，CFSG 相对于基线模型实现了平均 9.87% 的性能提升，并在现有最新方法上实现平均 3.08% 的超越。此外，解释性分析验证了 CFSG 有效地整合了多层次结构化知识，并确认特征结构化有助于概念结构化的出现。
引用
@article{arxiv.2601.03056,
title = {Fine-Grained Generalization via Structuralizing Concept and Feature Space into Commonality, Specificity and Confounding},
author = {Zhen Wang and Jiaojiao Zhao and Qilong Wang and Yongfeng Dong and Wenlong Yu},
journal= {arXiv preprint arXiv:2601.03056},
year = {2026}
}
备注
Accepted in AAAI26