分层对比正则化框架

四基准全面领先

在实例、区域和像素三个层级同时挖掘语义对应，提升少样本特征泛化能力。

周俊 · Li, Hanhui · Huang, Jiehui · Xuejiao, Li · Tang, Zhenchao · 梁小丹

Neurocomputing 2026

技术优势

多层级语义挖掘

在实例、区域和像素三个层级同时进行对比学习，充分捕捉不同粒度的语义对应关系，提升特征区分度。

渐进式自蒸馏

通过自蒸馏模块逐步转移标签空间和特征空间中的有用知识，使模型更好地适应新类别。

四基准全面领先

在四个公开基准测试中一致超越现有最优方法，证明了框架的有效性和泛化能力。

应用场景

• 少样本视觉识别：为每类仅有少量样本的识别任务提供高泛化特征表示，无需微调即可应用于新类别。
• 少样本分类：通过多层级对比正则化缓解对训练类的归纳偏置，提升少样本分类精度。
• 少样本目标检测：提取的区域级语义对应有助于在少量标注下定位和识别新物体。
• 少样本分割：像素级对比增强使特征对边界更敏感，适合用少量样本进行语义分割。