多视角自适应子空间对齐增强小样本学习的鲁棒性研究

为解决复杂背景下小样本分类难题，研究人员提出多视角自适应子空间对齐方法(MASA)，通过动态对齐视角特异性子空间，显著提升高噪声、目标遮挡场景的分类性能，在4个数据集上超越现有方法及视觉基础模型(VFMs)。

　　

在人工智能蓬勃发展的今天，图像分类技术已广泛应用于医疗诊断、自动驾驶等领域。然而，当面对训练样本极度匮乏的"小样本"场景时，传统深度学习方法往往捉襟见肘。更棘手的是，现实世界中目标常隐藏在复杂背景或被其他物体遮挡，单视角图像难以捕捉完整信息。这些问题严重制约了现有方法在医疗影像分析、工业检测等关键领域的应用效果。

针对这一挑战，中国国家自然科学基金项目支持下的研究人员创新性地提出了多视角自适应子空间对齐方法(MASA)。该方法巧妙利用多视角图像的互补信息，通过动态调整不同视角子空间的对齐方式，显著提升了模型在复杂环境下的分类鲁棒性。这项突破性成果已发表在人工智能领域顶级期刊《Knowledge-Based Systems》上。

研究团队采用三大核心技术：首先基于ResNet-18构建多视角特征编码器；其次创新设计自适应子空间对齐机制，通过最大化类间距离和最小化视角间距离实现动态融合；最后采用轻量化投影距离度量实现高效分类。实验选取四个具有挑战性的多视角数据集，涵盖不同噪声水平和遮挡场景。

研究结果显示：在"视角特异性子空间构建"方面，MASA通过奇异值分解(SVD)为每个视角的类别建立低维子空间，有效捕捉了样本间的内在关联；"自适应子空间对齐"部分证实，该方法能自动调整融合权重，在ModelNet40数据集上较传统视图池化(view-pooling)方法提升8.2%准确率；"跨域泛化测试"中，MASA在噪声背景下的分类性能显著优于CLIP等视觉基础模型(VFMs)，验证了其对复杂环境的适应能力。

值得注意的是，讨论部分指出当前方法仍受限于"封闭集"假设，未来需探索开放集场景下的扩展应用。但毋庸置疑，这项研究为小样本学习开辟了新思路，其轻量化设计更使其在移动设备部署具有独特优势。该成果不仅推动了多视角学习理论的发展，更为医疗影像分析等数据稀缺领域提供了切实可行的解决方案。