通过将特征学习映射至聚类空间实现无监督少样本图像分类

基于摘要分析。该研究针对无监督少样本图像分类中的任务构建问题，提出单阶段聚类方法 Learning Features into Clustering Space（LF2CS），利用无标签图像构建少样本分类任务，减少对基类图像标注的依赖。 核心机制是先固定聚类中心，设定可分的聚类空间，再通过可学习模型将图像特征映射到该空间。作者进一步提出图像采样与 c-way k-shot 任务构建方法，将特征模型、聚类及少样本图像分类联合学习。摘要未说明聚类中心的具体设置、样本分配规则、损失函数及联合优化流程，这些实现细节尚未验证。 作者报告，在 Omniglot、miniImageNet、tieredImageNet 和 CIFARFS 上，采用 Conv-4 与 ResNet-12 骨干网络开展实验，结果优于所比较的先进方法；实验与可视化也被作者用于支持对新类别的泛化能力。作者另从图像采样和任务构建角度实现了四个基线。摘要未提供具体分数、任务配置、数据划分及基线名称，尚不能核对优势幅度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，用固定聚类空间组织无标签 EEG 表征，再由聚类结果构建少样本任务，可能缓解标注稀缺条件下的任务采样困难。可复用部分是聚类空间与任务构建思路；图像编码器需替换为 EEG 编码器，采样与增强也需适配信号时序和通道结构。主要风险是低信噪比、被试差异和通道差异可能主导聚类，使伪类别反映采集条件而非目标脑活动，小数据还可能造成聚类不稳定。一个小规模可证伪实验是在严格分离训练与测试被试的条件下，保持编码器及训练预算一致，对比随机任务采样与 LF2CS 式任务采样的 Cross-subject 少样本分类 Accuracy，并检查聚类与被试身份的关联。已有 EEG 相关工作尚未检索确认。