基于小波多频特征融合增强的小样本植物图像分类
来源：计算机工程与应用杂志2026年第11期北京时间：
作者：赵晓, 贠潇洒, 刘睿玲, 章为川
单位：陕西科技大学 电子信息与人工智能学院，西安 710021；
摘要：现有的小样本植物图像分类算法仅侧重于空间域特征的提取，对于整体特征提取不够全面。同时数据集类不平衡问题在训练中往往会导致模型性能显著下降，在小样本学习设置下极易发生过拟合现象。针对以上问题，提出一种新颖的小波多频特征融合增强的交叉重构网络，用于小样本植物图像分类。通过注意力机制优化骨干网络提取到的基础特征，并引入小波变换提取多频率域特征，以捕捉细节信息；提出双域特征选择融合模块深度融合空间域特征与频率域特征，通过特征选择机制进行校准，有效整合两种特征域，实现优势互补；使用联合损失优化函数和特征空间局部随机遮挡正则化来缓解类不平衡问题，增强泛化能力。在Flowers和Plant Disease两个植物细粒度数据集上将所提方法与现有方法进行实验对比，在Conv-4骨干网络下5-way 5-shot任务的准确率可分别达到93.23%和88.92%。为了进一步验证算法的泛化能力和鲁棒性，在CUB-200-2011和Stanford Cars两个跨域基准数据集上进行广泛实验评估。综合实验结果表明，该方法的分类性能优于目前先进的小样本图像分类方法。
关键词：小样本图像分类,小波变换,空频域特征融合,损失优化
基金资助：国家自然科学基金（61971272，61601271）。
