基于多尺度特征选择与交互的小样本细粒度图像分类方法MFSI-Net

《Knowledge-Based Systems》：Few-Shot Fine-Grained Image Classification Based on Multi-scale Selecting and Feature Interacting

本文提出了一种创新的多尺度特征选择与交互网络（MFSI-Net），通过多尺度特征提取（MFE）、特征选择网络（FSN）和特征交互网络（FIN）的协同作用，有效解决了小样本细粒度图像分类中背景噪声干扰和目标尺度不一致的难题。该方法采用空间注意力机制自适应选择判别性特征区域，并通过跨尺度交互增强特征表示，在多个遥感与自然图像数据集上实现了1%-3.5%的性能提升，为复杂场景下的精细识别提供了新思路。

　　

亮点

我们的方法通过多尺度特征提取和交互机制，显著提升了小样本细粒度图像分类的判别能力。该方法在多个遥感与自然图像数据集上展现出优越性能，为复杂场景下的精细识别提供了新视角。

方法比较

与现有方法相比，MFSI-Net通过多尺度特征选择与交互，有效克服了背景噪声干扰和目标尺度变化带来的挑战。该方法在特征表示效率和分类准确性方面均优于传统度量学习方法。

讨论

尽管MFSI-Net在小样本细粒度图像分类中表现出色，但模型复杂度仍需进一步优化。多尺度特征提取和选择过程引入了冗余计算，未来将通过轻量化设计提升效率。

未来工作与更广泛影响

未来研究将聚焦于跨领域适应性增强，结合领域泛化（domain generalization）和迁移学习（transfer learning）技术，拓展模型在医学影像分析和工业缺陷检测等领域的应用。多模态学习框架的构建也将是重要方向。

结论

本文提出的MFSI-Net通过多尺度特征提取、选择性聚合和交互增强，实现了细粒度图像的高效判别表示。该方法为小样本条件下的复杂场景分类提供了有效解决方案，在遥感影像和自然图像分类任务中均达到领先水平。