主页
2025-12-22：MIPL的1篇论文被TMM接收
IEEE Transactions on Multimedia (TMM)是多媒体领域的国际学术期刊，是中国计算机学会（CCF）推荐的国际学术期刊。
MIPL的1篇论文被接收，研究少样本细粒度视觉分类。
CausalFSFG: 从因果视角重新思考少样本细粒度视觉分类
CausalFSFG: Rethinking Few-Shot Fine-Grained Visual Categorization from Causal Perspective
作者：杨至文（博士生），徐婧林，彭宇新
通讯作者：彭宇新
少样本细粒度视觉分类（Few-Shot Fine-Grained Visual Categorization, FS-FGVC）旨在仅给定少量支持样本的情况下，识别属于同一大类（如鸟类、车辆）的不同子类别。由于细粒度图像采集困难且标注昂贵，该任务在实际应用中具有重要价值。然而，现有的FS-FGVC方法大多采用元学习范式，侧重于通过特征增强来提高分类精度，忽略了支持样本集本身作为一个混淆变量会引入有偏的数据分布，从而导致模型学习到如背景、姿态等非因果的虚假相关，严重限制了模型的泛化能力。
针对上述挑战，本文提出了一种基于因果视角的少样本细粒度分类新方法（CausalFSFG），利用结构因果模型（SCM）对FS-FGVC任务进行重构，并通过因果干预（Causal Intervention）来消除数据分布偏差。具体来说，本文首先提出了一个干预多尺度编码器（IMSE），通过条件化整合多尺度特征进行样本层面的干预，缓解选定样本带来的分布偏差；其次，本文设计了一个干预掩码特征重构模块（IMFR），通过对关键区域的掩码与重构进行特征层面的干预，迫使模型忽略背景干扰，挖掘细粒度物体本身最具判别性的因果特征。实验结果表明，本方法在CUB-200-2011、Stanford Dogs和Stanford Cars三个广泛使用的公共数据集上均取得了当前的最佳性能。
该论文的第一作者是北京大学王选计算机研究所2022级博士生杨至文，通讯作者是彭宇新教授。
MIPL的1篇论文被接收，研究少样本细粒度视觉分类。
CausalFSFG: 从因果视角重新思考少样本细粒度视觉分类
CausalFSFG: Rethinking Few-Shot Fine-Grained Visual Categorization from Causal Perspective
作者：杨至文（博士生），徐婧林，彭宇新
通讯作者：彭宇新
少样本细粒度视觉分类（Few-Shot Fine-Grained Visual Categorization, FS-FGVC）旨在仅给定少量支持样本的情况下，识别属于同一大类（如鸟类、车辆）的不同子类别。由于细粒度图像采集困难且标注昂贵，该任务在实际应用中具有重要价值。然而，现有的FS-FGVC方法大多采用元学习范式，侧重于通过特征增强来提高分类精度，忽略了支持样本集本身作为一个混淆变量会引入有偏的数据分布，从而导致模型学习到如背景、姿态等非因果的虚假相关，严重限制了模型的泛化能力。
针对上述挑战，本文提出了一种基于因果视角的少样本细粒度分类新方法（CausalFSFG），利用结构因果模型（SCM）对FS-FGVC任务进行重构，并通过因果干预（Causal Intervention）来消除数据分布偏差。具体来说，本文首先提出了一个干预多尺度编码器（IMSE），通过条件化整合多尺度特征进行样本层面的干预，缓解选定样本带来的分布偏差；其次，本文设计了一个干预掩码特征重构模块（IMFR），通过对关键区域的掩码与重构进行特征层面的干预，迫使模型忽略背景干扰，挖掘细粒度物体本身最具判别性的因果特征。实验结果表明，本方法在CUB-200-2011、Stanford Dogs和Stanford Cars三个广泛使用的公共数据集上均取得了当前的最佳性能。
该论文的第一作者是北京大学王选计算机研究所2022级博士生杨至文，通讯作者是彭宇新教授。