ProtoSimi：面向细粒度视觉分类的标签纠正

基于摘要分析。本文研究细粒度视觉分类中标签噪声导致的性能退化问题，提出 ProtoSimi，通过全局类别原型与局部类别原型的相似度识别并纠正样本标签，以改善有限训练数据下的鲁棒学习。 核心机制：作者指出，细粒度类别间差异较小、训练样本有限，模型容易过拟合噪声标签，通用物体识别中的噪声处理方法因此可能不适用。ProtoSimi 将整体图像与局部信息对应的类别原型相似度作为标签判断依据，并采用自适应标签纠正策略。原型构建、局部信息提取、相似度融合方式、纠正阈值及训练损失的具体定义尚未验证。 结果与证据边界：作者报告，在三个标准细粒度识别基准上，ProtoSimi 优于现有标签噪声处理方法；作者还报告，消融实验显示其对超参数选择不敏感，并可与其他 FGVC 方法结合改善泛化性能。摘要未给出基准名称、噪声生成协议、数据划分、评价指标或具体增益，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，在具有重复类别结构及疑似错标试次的 EEG 分类任务中，类别原型相似度可能帮助筛查标签噪声。可复用的是原型比较与标签纠正思路；需将视觉局部表示改造为适合 EEG 时段、通道或频段的表示。低信噪比、跨被试分布差异、通道变化及小样本可能使原型不稳定，并导致真实但少见的试次被错误纠正。一个可证伪的小实验是在固定被试内划分中，仅向训练标签注入已知噪声，比较不纠正、仅全局原型纠正及全局与局部原型联合纠正，检查干净测试集表现与标签纠正准确性。已有 EEG 相关工作尚未检索确认。