（通讯员 黄鑫）近日，人工智能学院大数据与人工智能团队与华北电力大学的合作研究成果《Tailored Text Integration and Semantic Differential Enhancement for Few-Shot Class-Incremental Learning》被国际学术会议ICASSP 2026录用。论文第一作者为我校黄鑫博士，第二作者为我校硕士研究生王世龙，通讯作者为我校袁直敏博士，南阳师范学院为第一通讯单位。

ICASSP由国际电子技术与信息科学工程师协会（IEEE）主办，是信号处理领域全球规模最大的学术会议，也是中国计算机学会（CCF）推荐的B类国际会议。ICASSP 2026将于2026年5月4日在西班牙巴塞罗那召开，本届会议共收到11120篇投稿论文，接收率约为40%。

成果概述：

在人工智能向通用化发展的进程中，小样本类增量学习（FSCIL）作为实现模型持续进化能力的关键技术，备受学界关注。然而，现有方法在利用有限样本扩展新类别的过程中，面临着“灾难性遗忘”与“小样本过拟合”的双重挑战。针对上述难题，本文提出了判别性语义整合 (DSC)方法，利用大模型生成定制化的文本描述作为判别性语义先验，与图像信息进行语义对齐和原型校正，从而同时达到缓解遗忘、提升泛化性的目的。具体而言，为缓解灾难性遗忘，设计了定制文本引导的视觉对齐(TTA) 与语义差异边界增强 (SDA) 策略。该策略利用大语言模型生成细粒度类别描述，并结合 CLIP 的文本空间引导视觉特征向语义锚点对齐；同时，通过构建基于类间语义差异的边界负样本，扩大类间决策边界，从而有效抑制了新旧类别间的混淆。此外，针对新类样本稀缺导致的特征分布偏移问题，提出了语言增强的原型校准 (LPC) 机制。该机制利用判别性语义先验对视觉特征进行正交分解与自适应重组，在过滤非关键噪声的同时保留核心语义信息，实现了在极少样本条件下的原型稳定更新，从而显著提升了模型的泛化能力。