ProtoConNet：面向开集少样本图像分类的原型增强与对齐
计算机视觉与模式识别
2025-07-17 v1
摘要
开集少样本图像分类旨在使用少量标注数据训练模型，使其在面对未知环境时能够实现良好的泛化。现有方法主要利用单张图像的视觉信息来学习类表示，以区分已知与未知类别。然而，这些方法往往忽略了整合丰富上下文信息的益处。为了解决这个问题，本文提出了一种原型增强与对齐方法，称为 ProtoConNet，该方法整合了来自不同样本的背景信息以增强特征空间的多样性，打破了少样本场景中上下文与图像主体之间的虚假关联。具体而言，它包含三个主要模块：基于聚类的数据选择（CDS）模块在保留核心特征的同时挖掘多样的数据模式；上下文增强语义细化（CSR）模块构建上下文字典以融入图像表示，从而提升模型在各种场景下的鲁棒性；原型对齐（PA）模块缩小了图像表示与类原型之间的差距，放大了已知类与未知类的特征距离。来自两个数据集的实验结果验证了 ProtoConNet 增强了少样本场景下表示学习的有效性，并能够识别开集样本，使其优于现有方法。
引用
@article{arxiv.2507.11845,
title = {ProtoConNet: Prototypical Augmentation and Alignment for Open-Set Few-Shot Image Classification},
author = {Kexuan Shi and Zhuang Qi and Jingjing Zhu and Lei Meng and Yaochen Zhang and Haibei Huang and Xiangxu Meng},
journal= {arXiv preprint arXiv:2507.11845},
year = {2025}
}
备注
Accepted in ChinaMM and recommended to Displays