FreqGRL：抑制低频偏置并挖掘高频知识以用于跨域少样本学习
计算机视觉与模式识别
2025-11-11 v1
摘要
跨域少样本学习（CD-FSL）旨在仅使用少量标注样本的情况下，在显著的域偏移下识别新类别。尽管近期方法利用少量标注的目标域数据来提升性能，但丰富的源数据与稀缺的目标数据之间的严重不平衡，依然是有效表示学习面临的关键挑战。我们首次从频率空间视角分析了这一问题，并识别出两个关键挑战：（1）模型容易偏向于编码在源数据低频分量中的源特定知识；（2）目标数据的稀疏性阻碍了高频、域可泛化特征的学习。为了应对这些挑战，我们提出了 FreqGRL，一种新颖的 CD-FSL 框架，旨在缓解频率空间中数据不平衡的影响。具体而言，我们引入了低频替换（LFR）模块，将源任务的低频分量替换为目标域的低频分量，以创建更符合目标特征的新源任务，从而减少源特定偏置并促进可泛化的表示学习。我们进一步设计了高频增强（HFE）模块，滤除低频分量并直接在频率空间中的高频特征上进行学习，以提升跨域泛化能力。此外，还引入了全局频率滤波器（GFF），以抑制噪声或无关频率并强调信息丰富的频率，从而减轻在有限目标监督下的过拟合风险。在五个标准 CD-FSL 基准上的大量实验表明，我们的频率引导框架实现了 SOTA 性能。
引用
@article{arxiv.2511.06648,
title = {FreqGRL: Suppressing Low-Frequency Bias and Mining High-Frequency Knowledge for Cross-Domain Few-Shot Learning},
author = {Siqi Hui and Sanping Zhou and Ye deng and Wenli Huang and Jinjun Wang},
journal= {arXiv preprint arXiv:2511.06648},
year = {2025}
}