提升针对少样本分类的真菌原型表示
计算机视觉与模式识别
2025-09-16 v1
摘要
FungiCLEF 2025 竞赛旨在使用真实、野外收集的观测数据实现自动真菌种识别。准确的识别工具支持 mycologists 和 citizen scientists，大大增强了大规模生物多样性监测。有效的识别系统在此背景下必须处理高度不平衡的类别分布，并在许多稀有和资料不充足的物种（这些物种通常缺失于标准训练集中）仅有极少训练样本时提供可靠性能。根据竞赛组织者的统计，约 20% 的所有经验证的真菌观察记录（约 20,000 条实例）与这些很少记录的物种相关联。为解决这一挑战，我们提出一种基于原型网络的稳健深度学习方法，用于增强少样本真菌分类的原型表示。我们的原型网络方法在公共 (PB) 和私有 (PR) 排行榜上的 Recall@5 均超过基线超过 30 个百分点。这表明该方法能够准确识别常见和稀有真菌物种，为 FungiCLEF 2025 的主要目标提供了强大的潜力。
引用
@article{arxiv.2509.11020,
title = {Improving Fungi Prototype Representations for Few-Shot Classification},
author = {Abdarahmane Traore and Éric Hervet and Andy Couturier},
journal= {arXiv preprint arXiv:2509.11020},
year = {2025}
}
备注
12 pages, 3 Figures, FungiClef2025, Working Notes