小样本类增量提示的细粒度车辆识别

来源：电子测量技术杂志2025年第19期北京时间：

作者：冉烨军，金良琼，罗树霞，李琼忆，陶永

单位：贵州民族大学数据科学与信息工程学院 贵阳 550025

摘要：在细粒度车辆识别领域，深度学习面临一个挑战:各种新车型源源不断推出，然而我收集并标注数据的能力有限，这会导致“小样本类增量学习问题”问题。针对上述挑战，本文提出了一种新方法，基于提示的小样本类增量学习，旨在使模型在少量新车辆类别样本下既能识别原有类别又能学习新增类别，而无需重新训练或依赖大量原始数据。这种方法结合了提示机制和预训练的视觉转换器（ViT）模型的优势。我们设计了两种提示——域提示和FSCIL提示，以解决FSCIL中的挑战。在类增量学习中，Stanford Cars和CompCars这两个数据集的平均精度到达了70.47%和73.56%，优于目前现有的方法。

关键词：小样本学习;提示学习;视觉转换;原型分类器

基金资助：国家自然科学基金（62062024）、贵州省高等学校大数据分析与智能计算重点实验室 （黔教技［2023］012号）、贵州省高等学校智能算法与智能软件协同创新团队（黔教技［2023］061号）项目资助