基于自相关与跨空间相关注意力机制的SCNet模型：小样本图像分类的新突破

针对小样本学习中类内特征多样性不足及支持-查询图像特征对齐困难的问题，研究人员提出SCNet框架，通过自相关注意力(SCA)模块增强局部特征提取，结合跨空间相关注意力(CSC)模块优化特征对齐，实验表明其在Mini-ImageNet等数据集上显著优于现有方法，为小样本分类提供了高效解决方案。

　　

在人工智能蓬勃发展的今天，计算机视觉领域面临着一个关键挑战：如何让模型像人类一样，仅通过少量样本就能快速识别新类别？这一挑战在小样本学习(Few-shot Learning)领域尤为突出。尽管深度学习在拥有海量标注数据的任务中表现出色，但在医疗影像分析、稀有物种识别等实际场景中，获取大量标注数据往往耗时费力甚至不可行。现有小样本学习方法常陷入两难困境：一方面，类内特征多样性捕捉不足，忽视了对判别性局部细节的关注；另一方面，支持集和查询集图像间的特征对齐效果欠佳，导致模型难以建立有效的跨样本关联。

针对这些瓶颈，中国的研究团队在《Engineering Science and Technology, an International Journal》发表了创新性研究。他们开发的SCNet框架通过双重注意力机制突破传统局限：自相关注意力(Self-Correlational Attention, SCA)模块像"显微镜"般聚焦图像关键区域，通过局部特征相关性计算（如公式(1)中的Hadamard乘积）强化判别性特征；跨空间相关注意力(Cross Spatial-Correlation Attention, CSC)模块则充当"桥梁"，利用通道和空间注意力权重（公式(5)-(6)）建立支持-查询图像间的语义关联。研究采用端到端训练策略，结合标签分类损失和度量损失（公式(11)），在Mini-ImageNet、CUB-200-2011和CIFAR-FS数据集上实现最高81.19%的1-shot分类准确率。

关键技术方面，研究以ResNet-12为骨干网络，通过5×5滑动窗口的局部相关性计算构建SCA模块，采用CBAM启发的双路注意力设计CSC模块。实验使用标准N-way K-shot评估协议，每个任务包含15个查询样本，通过2000次随机采样确保统计显著性。

研究结果部分，"3.2 SCA模块"揭示：通过压缩特征通道至C'=64并计算邻域相关性（U,V=5），该模块在CUB数据集上使基线模型提升1.46%。"3.3 CSC模块"显示：结合通道注意力M_c和空间注意力M_s的加权融合（公式(7)），显著改善特征对齐效果。在"4.3 与先进方法对比"中，SCNet以81.19%准确率超越QSFormer等模型，且在训练效率上较DeepBDC节省88%时间。"4.4 消融研究"证实：SCA+CSC组合使ResNet-12在Mini-ImageNet上提升2.41%，其(5,5)滑动窗口设计最优。

这项研究的突破性在于：SCA模块首次将局部自相关计算引入小样本特征增强，通过Z'→D→G的特征演化路径（公式(2)-(4)）保留关键语义；CSC模块创新的交叉注意力机制，通过M_c(q)×M_s(s)的权重分配（公式(6)）实现精准特征匹配。研究不仅为小样本分类提供了新范式，其模块化设计更可迁移至目标检测等任务。正如可视化分析所示（图8-9），SCNet能准确聚焦鸟类喙部、花瓣纹理等判别区域，这种可解释性对医疗诊断等高风险应用尤为重要。未来工作可探索该框架与Transformer的融合，进一步提升跨尺度特征建模能力。