摘要
人类能够仅凭少量标注样本就识别新物体，然而，少样本学习（few-shot learning）对机器学习系统而言仍然是一个具有挑战性的问题。以往大多数少样本学习算法仅利用图像的空域信息。本文提出将频率信息融入学习模型，以增强系统的判别能力。我们采用离散余弦变换（Discrete Cosine Transform, DCT）生成图像的频率表示，并将空域特征与频率域特征进行融合，用于分类任务。所提出的策略在多种骨干网络、数据集及算法上均得到验证，实验结果表明其有效性。大量实验证明，频率信息与空域表示具有良好的互补性，在不同的少样本学习任务中，通过融合空域与频率域特征，显著提升了分类准确率。