ALPINE：用於引數與樣本高效的少樣本學習適應性定位
為何重要
這項研究挑戰了少樣本學習領域重視模型複雜度而輕視效率的現狀，證明瞭在資源受限的言論中，設計精簡的引數空間仍可與大型對比架構競爭。它為開發者提供了設計邊緣裝置 AI 的具體方向：不依賴龐大的關係網路，而是依賴精準的定位策略。
針對少樣本學習中常被忽略的計算資源限制，ALPINE 提出了一種僅有 2 萬多引數的超輕量級空間關係架構，結合 Gabor 邊緣能量導引與視窗化內容自適應定位器。該研究在嚴格匹配的評估協議下，證明其效能不僅優於 Prototypical Networks、Relation Networks 和 MAML，且具備更佳的泛化能力與魯棒性。
- 模型引數僅 22,249 至 34,917 個，比三個基準線減少引數量 27-53%。
- 在 CIFAR-FS 與 MiniImageNet 上，模型在嚴格評估協議（250 個元訓練劇本、每種子 600 個評估劇本）下持續取得 5-shot 準確度增益。
- 模型在未見過的 CUB-200-2011 細分領域（鳥類）上表現更佳，且對 50% 遮蔽與 25% 空間位移具備更強的魯棒性。
- Ablation study 發現，「內容自適應定位器」的效能驅動力大於「配對關係運算」。