基于空间频率信息融合的少样本学习网络
计算机视觉与模式识别
2025-06-24 v1
摘要
少样本学习的目标是通过应用算法和训练出在实际应用中表现优异的模型，充分利用有限的数据资源来探索数据中的潜在相关性。在实际应用中，每个类别的图像数量通常小于传统深度学习方法的图像数量，这会导致过拟合和泛化性能差。当前许多少样本分类模型更关注空间域信息，而忽略包含更多特征信息的频率域信息。忽略频率域信息会阻碍模型充分挖掘特征信息，从而影响分类性能。基于常规数据增强，本文提出一种 SFIFNet 采用创新的数据预处理方法。该方法的关键在于通过整合频率域信息和空间域信息来增强图像特征表示的准确性。实验结果表明，该方法在增强分类性能方面有效。
引用
@article{arxiv.2506.18364,
title = {Spatial frequency information fusion network for few-shot learning},
author = {Wenqing Zhao and Guojia Xie and Han Pan and Biao Yang and Weichuan Zhang},
journal= {arXiv preprint arXiv:2506.18364},
year = {2025}
}