多级决策特征增强的小样本细粒度图像分类方法
来源：计算机工程与应用杂志2026年第13期北京时间：
作者：周琳杰, 苟光磊, 高雄, 贾朋昊
单位：重庆理工大学 计算机科学与工程学院，重庆 400054；
摘要：针对小样本细粒度图像分类中浅层细粒度信息利用不足及判别特征易受背景干扰的问题，提出一种多级决策特征增强方法。该方法通过三支决策机制优化重构网络，筛选查询集中难分类样本，并为其补充浅层特征信息，使模型自适应融合多层语义，有效缓解特征冗余导致的过拟合。在各层特征补充后，使用互补过滤模块与特征校准模块，前者结合频域过滤与全局依赖建模，实现局部与全局层面的噪声抑制；后者通过局部对齐机制精细调整判别特征的位置与分布。在CUB-200-2011、Stanford?Dogs和Stanford?Cars三个细粒度数据集上的5-shot任务中，该方法准确率分别达到90.04%、80.58%和89.16%，优于现有对比方法。实验结果验证了所提方法在提升小样本细粒度图像分类性能方面的有效性。
关键词：小样本学习,细粒度图像分类,三支决策,重构网络,特征增强
基金资助：国家自然科学基金（62141201）。
