【哈工大（深圳）宣】（张保权/文、图）近日，哈工大（深圳）计算机科学与技术学院博士生张保权的学术论文《Prototype Completion for Few-Shot Learning》被人工智能领域国际顶尖期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（简称IEEE TPAMI）收录，该研究成果从原型补全角度有效改善了小样本学习性能，促进了小样本图像分类技术的实际应用与发展。

张保权为论文第一作者，计算机科学与技术学院教授李旭涛、叶允明为通讯作者，哈工大（深圳）计算机科学与技术学院为第一完成单位。

IEEE TPAMI是人工智能、模式识别、计算机视觉等领域的国际顶尖期刊，2023年度最新发布影响因子为24.314，是目前影响因子最高的CCF A类期刊，JCR 1区Top期刊。该期刊谷歌指数（H-Index）在计算机科学和工程技术两个大类学科里均列首位。IEEE TPAMI以严苛的审稿过程、深刻的理论分析著称，每年收录的论文数量有限，在计算机科学与人工智能领域具有权威影响力。

近年来，凭借丰富的标注数据，基于深度学习的图像分类方法已经展现了优越的性能。然而，在一些图像分类实际应用场景中，为每个类别收集大量标注数据仍然存在极大困难。如何在少量标注数据下学习一个图像分类模型，即小样本学习，已经成为业界亟待解决的难题。最近，有研究表明，基于特征表示的小样本学习方法联合特征提取器预训练和微调技术可有效解决这个问题。然而，实验结果表明，特征提取器微调步骤对于小样本学习性能改善非常有限甚至出现性能衰退的现象，但其原因在现有实验中并没有被很好地解释。

为此，张保权的论文首先揭露了上述微调步骤性能改善不足的关键原因，并指出代表性的原型估计是解决小样本学习问题的一个关键。针对上述代表性原型估计问题，该论文提出了一种基于原型补全的小样本学习方法。该方法引入类别部件或属性作为一种显式先验知识，并精心设计了一个属性迁移网络、一个原型补全网络以及一种基于高斯的原型融合策略，来实现代表性原型的准确估计。最后，通过在多种数据集上进行广泛实验，以大量实验结果验证了该论文所提出方法的有效性。（编辑 吴锐婵 审核 张惠屏）