通过频率意识的对比学习,通过药用植物的细粒度的少量射击阶级增量识别
Chaoqun Tan1, Zhonghan Qin2, Zihan Tang3
1School of Intelligent Medicine, Chengdu University of Traditional Chinese Medicine, Chengdu, China.
Frontiers in plant science
|March 2, 2026
概括
这项研究引入了一个新的频率感知引导域增强对比学习 (FGDE) 框架,用于准确的药用植物识别. FGDE有效地从有限的数据中学习新的植物物种,这对精准医学和农业至关重要.
科学领域:
- 计算生物学是一种计算生物学.
- 植物科学 植物科学
- 人工智能的人工智能是人工智能.
背景情况:
- 准确识别药用植物对于精准医学至关重要.
- 植物识别的深度学习需要广泛的注释数据集,这些数据集往往很少.
- 现有的方法在学习新类别时,与有限的标记样本和灾难性的遗忘作斗争.
研究的目的:
- 利用有限的注释数据开发一种用于准确识别药用植物的新框架.
- 为了应对灾难性的遗忘和过度适应在增量学习场景的挑战.
- 增强特征表示和植物物种分类的歧视能力.
主要方法:
- 提出了一个频率感知引导域增强对比学习 (FGDE) 框架.
- 集成的高频和低频组件与多频融合用于精细的特征表示.
- 使用对比式学习进行多语义聚合和歧视性特征提取.
- 引入了多目标损失函数,以提高类的紧性和分离.
主要成果:
- 在基准数据集上,FGDE框架显著超过了最先进的方法.
- 从少数注释示例中展示了有效的增量学习.
- 与现有方法相比,展示了减少灾难性的遗忘和过度装配.
结论:
- FGDE框架提供了一个强大的解决方案,用于智能工厂识别有限的数据.
- 这一进步为精准医学和精准农业的应用带来了巨大的潜力.
- 提出的方法为更高效,更准确的植物分类系统铺平了道路.
