基于原型矫正的少样本图像分类中的类间混淆与特征空间优化方法研究综述.docVIP

基于原型矫正的少样本图像分类中的类间混淆与特征空间优化方法研究综述

一、少样本图像分类的核心矛盾与类间混淆问题的起源

少样本图像分类的核心目标是在仅提供每类数个标注样本的前提下，实现对未知类别图像的精准分类，其技术路径的底层逻辑依赖于对类别特征共性的提取与迁移。在传统的少样本学习范式中，基于度量学习的原型网络（PrototypeNetwork）是应用最广泛的架构之一：模型先在大规模基础数据集上进行元训练，学习通用的特征提取器，再在少量支持集样本上计算每个类别的特征均值作为类别原型，最终通过查询样本与各类原型的距离判定类别。这种方法的简洁性与高效性使其成为工业界落地的首选，但在实际应用中，当数据集存在类别相似度高、视觉特征重叠度大的场景（如细粒度物种分类、医疗影像病灶识别、相似工业品缺陷检测等）时，类间混淆问题会导致分类准确率出现断崖式下跌。

类间混淆的本质是特征空间中不同类别的原型与样本分布出现重叠，其成因可以从三个维度拆解：第一，支持集样本量不足导致原型估计偏差。当每类仅提供1-5个标注样本时，样本的个体特异性（如姿态、光照、遮挡等干扰因素）会被误纳入类别共性特征，使得计算得到的原型偏离类别真实特征中心。例如在鸟类分类任务中，若某类鸟的支持集样本均为侧面视角，得到的原型会过度强化侧面轮廓特征，导致该类的正面视角样本被误分类到其他包含侧面特征的相似类别中。第二，特征提取器的泛化性