INFFUS 2025 | 基于两阶段训练的度量融合学习进行少样本图像分类

主要观点总结

本文介绍了论文“TST_MFL: Two-stage training based metric fusion learning for few-shot image classification”，包括其创新点、方法、实验结果等。该论文提出了一种基于两阶段训练的量度融合学习框架，旨在解决少样本图像分类问题。

关键观点总结

关键观点1: 论文的主要创新点

提出一种基于两阶段训练的量度融合学习框架TST_MFL，通过预训练和元训练阶段分别采用不同的全局-局部信息融合策略，提升了特征表示的全面性和相似性度量的准确性。

关键观点2: 论文的方法介绍

设计了双路径预训练网络DPPTNet，通过预测蒸馏损失和局部差异损失促进全局和局部特征的相互学习。构建了全局-局部度量融合网络GLMFNet，在元训练阶段基于预训练模型构建该网络，采用关键局部过滤模块过滤噪声，结合自适应度量融合模块融合全局和局部度量。

关键观点3: 论文的实验研究

通过实验结果证明了TST_MFL在少样本图像分类任务中的有效性和优越性。

关键观点4: 论文推广

鼓励高校实验室或个人在PaperEveryday平台上分享论文介绍、解读等，让更多人了解研究工作，促进学术交流和合作。

免责声明