面向带噪标签的少样本图像分类的稳健神经场方法——RoNFA
计算机视觉与模式识别
2025-06-05 v1
摘要
在少样本学习(FSL)中，标记样本稀缺。因此，标签错误会显著降低分类准确率。由于标签错误在现实学习任务中不可避免，提高模型在标签错误存在下的鲁棒性至关重要。本文提出了一种新型稳健神经场方法RoNFA，用于带噪标签的少样本图像分类。RoNFA由两个神经场构成，用于特征和类别表示。它们分别对应于特征空间和类别集合。在用于类别表示的神经场(FCR)中，每个神经元在用于特征表示的神经场(FFR)上具有感受野(RF)，其中心位于其类别代表神经元由软聚类生成的位置。在预测阶段，这些感受野的范围会根据FCR中的神经元激活情况进行调整，以确保预测准确性。这些学习策略为该模型提供了出色的少样本学习能力和对标签噪声的强鲁棒性。在具有三种不同类型标签噪声的真实世界FSL数据集上进行的实验结果表明，所提出的方法显著优于当前最先进的FSL方法。即使在带噪标签的情况下，其准确率也超过了在干净支持集上训练的当前最先进FSL方法的结果，表明其对标签噪声具有强大的鲁棒性。
引用
@article{arxiv.2506.03461,
title = {RoNFA: Robust Neural Field-based Approach for Few-Shot Image Classification with Noisy Labels},
author = {Nan Xiang and Lifeng Xing and Dequan Jin},
journal= {arXiv preprint arXiv:2506.03461},
year = {2025}
}
备注
7 pages, 1 figure