迁移学习与Mixup用于细粒度少样本真菌分类
计算机视觉与模式识别
2025-07-14 v1 信息检索
机器学习
摘要
真菌物种的精确识别在计算机视觉中 presents a unique挑战，由于种间细粒度差异和种内高度差异。本文介绍了我们团队(DS@GT)为FungiCLEF 2025 competition所采取的方法，专注于使用FungiTastic Few-Shot数据集进行少样本细粒度视觉分类(FGVC)。我们的团队实验了多种视觉变换器模型、数据增强、加权抽样以及纳入文本信息。我们还探索了用于零样本分类的生成式AI模型，通过结构化提示，但发现其性能显著低于基于视觉的方法。我们的最终模型在击败了竞赛基线后，突出了特定领域预训练和平衡抽样策略的有效性。我们的模型在私有测试集上的排名为35/74，这表明可以在元数据选择和领域适应性多模态学习方面还能进行 additional work。我们的代码可在https://github.com/dsgt-arc/fungiclef-2025获得。
引用
@article{arxiv.2507.08248,
title = {Transfer Learning and Mixup for Fine-Grained Few-Shot Fungi Classification},
author = {Jason Kahei Tam and Murilo Gustineli and Anthony Miyaguchi},
journal= {arXiv preprint arXiv:2507.08248},
year = {2025}
}