原型再合成网络

少样本精度升

通过语义部分组合与跨图像对齐，在少样本分类上取得领先精度。

Mengping, Dong · Fei, Li · 李振波 · Xue, Liu

Pattern Recognition 2025

参数信息

精度提升

0.69 %

技术优势

原型更稳

原型由语义相似的基类部件合成，不再被整体相似但局部差异大的支持样本带偏，使类内表示更一致。

查询参与纠正

利用查询集对原型进行再合成，让原型适应查询样本的分布，进一步缩小类内差异。

跨图语义对齐

强制同一类不同查询图像在全局和局部层面语义一致，避免因视角或背景变化导致类别判断漂移。

应用场景

• 少样本图像分类：用极少量标注即可适配新类别，大幅降低数据标注成本。
• 机器人视觉：让机器人在新环境下快速学会识别陌生物体，无需大量重新训练。
• 医学图像分类：在罕见病或新病种图像稀少时提供可靠分类，辅助快速诊断。
• 工业质检：新产品缺陷样本不足时仍能有效识别缺陷，加快产线部署。
• 无人机图像分析：用少量航拍标注即可识别新场景下的地物或目标，降低重训成本。