LAMNet多模态分类网络

少样本细粒度识别

融合大语言模型语义与视觉特征，在极少标注样本下显著提升细粒度物种识别能力。

张涛 · Jiongchang, Liu · Zeda, Chen · Chen, Yehcheng · Amoon, Mohammed · Kumari, Saru · Xiaohan, Liu

Applied Soft Computing Journal 2025

参数信息

1-shot精度

87.5 %

较基线提升幅度

8.64 %

技术优势

比基线提升最高8.64%

在CUB-200-2011数据集上，1-shot设置下精度较基线方法大幅提升，证明了融合大模型语义信息的有效性。

自动聚焦关键细节

提出的显著特征优化模块能够自适应地强调信息丰富的局部特征，帮助模型更好地捕捉细粒度类别间的细微差异。

应用场景

• 生态监测：快速识别城市物种，省去大量人工标注，提升监测效率。
• 智能图像识别：在标注稀缺时仍能精确区分外观相似的物种。
• 城市生物多样性：支持城市生物多样性评估与保护规划。
• 具身智能：可集成到具身智能系统，如自主生态监测机器人。