小样本原型精化网络

少样本分类更稳

在统一度量学习框架内自适应挖掘类内信息并引入类间竞争，同时利用边界难正样本构建子簇原型，有效应对支撑样本特征代表性不足与类分布多模态问题。

Jiang, Mengjuan · 李凡长

Pattern Recognition 2026

参数信息

精度提升

12.63 %

技术优势

原型更稳

类内信息自适应聚合，并引入类间竞争关系，使得支撑样本的代表性偏差被校正。

边界更清

挖掘边界难正样本并构建子簇原型，提高混淆区域的匹配稳定性，降低边界样本误分。

跨域可用

在 CUB200 和 Cars 上验证了跨域泛化能力，无需域自适应模块即可迁移到新数据分布。

应用场景

• 少样本视觉识别：用极少量标注样本即可快速适配新类别，降低视觉任务的数据标注门槛。
• 边缘智能终端：推理结构简单，适合算力有限的边缘设备上部署轻量级分类模型。
• 机器人场景理解：在场景多变、遮挡频繁的情况下提升新物体类别识别稳定性，增强机器人理解能力。
• 医学图像分类：针对罕见病或新病灶类别，仅需少量标注医学影像即可构建分类器。