混合特征域适应模型

跨域少样本性能竞争

通过混合中高层特征并自适应重加权，缓解少样本学习的跨域性能下降。

Yang, Bing · Xueqin, Xiang · Wanzeng, Kong · 张建海 · Yao, Jingliang · Wu, Haihong

Pattern Recognition 2026

技术优势

缓解跨域性能骤降

通过重新审视中层特征，将从一般已知类别学到的知识迁移到特殊新类别，弥补高层特征在域偏移下的不足。

自动平衡多个损失

设计自适应重加权策略动态调整各损失权重，无需手工调参，进一步提升性能。

应用场景

• 跨域少样本视觉识别：显著减轻域偏移导致的性能下降，提升识别准确率。
• 机器人视觉迁移：将已知类知识迁移到新类，增强机器人视觉泛化能力。
• 边缘设备少样本学习：通过自动损失平衡简化调参，更适合边缘设备资源受限场景。