北京化工大学在模式识别领域国际顶级会议ICPR 2026取得重要突破：FPaCo论文获主会Oral录用
近日，第27届国际模式识别大会（The 27th International Conference on Pattern Recognition, ICPR 2026）录用结果正式公布。北京化工大学信息科学与技术学院数据科学与大数据技术专业本科生肖雨欣作为第一作者完成的论文：《FPaCo: Queue-Free Contrastive Learning with Asymmetric VLM Distillation for Long-Tailed Medical Recognition》被国际模式识别大会ICPR 2026主会（Main Conference）以Oral Presentation形式正式录用。该论文由北京化工大学信息科学与技术学院和国际教育学院师生共同完成，北京化工大学为第一完成单位，李瑞瑞副教授为通讯作者。
ICPR是国际模式识别领域具有重要影响力的旗舰会议之一，由国际模式识别协会（International Association for Pattern Recognition, IAPR）主办，与计算机视觉、机器学习、人工智能等领域的重要国际会议保持高度影响力。本次ICPR 2026会议论文竞争激烈，能够以Oral形式入选，体现了该研究在医学人工智能与视觉表示学习方向的创新价值与学术认可。
面向医学影像长尾学习挑战，提出融合视觉语言模型先验的新型对比学习框架
近年来，深度学习技术在医学影像分析领域取得了快速发展。然而，由于医学数据采集成本高、疾病分布不均衡等因素，医学影像数据普遍存在长尾分布（Long-Tailed Distribution）和小样本学习困难等问题，使得模型容易偏向高频类别，而忽视低频但具有重要临床价值的类别。
针对这一问题，论文提出了一种新的长尾医学识别框架FPaCo。该方法从视觉语言模型（Vision-Language Model, VLM）中引入外部语义先验信息，并结合无队列对比学习策略，提升模型对于尾部类别特征的学习能力。
现有基于队列机制的对比学习方法在长尾场景下容易受到头部类别样本主导的问题影响，使尾部类别特征难以充分学习。为此，FPaCo提出采用类别原型（Prototype）替代传统特征队列（Queue），降低头部类别对特征空间的干扰。同时，针对视觉语言模型存在的语义幻觉（Hallucination）与信息遗漏（Omission）问题，论文设计了不对称视觉语言模型蒸馏机制（Asymmetric VLM Distillation），通过不确定性门控策略动态调整模型对于外部语义先验的依赖程度，使模型能够在利用知识先验的同时保持自主判别能力。
实验结果表明，FPaCo在多个医学影像长尾分类数据集上取得了稳定性能提升，并有效改善了尾部类别识别困难问题。该研究为医学影像智能分析、弱监督视觉学习以及可信人工智能模型优化提供了新的解决方案。
本科生作为论文第一作者，展现青年科研创新能力
该论文由北京化工大学信息科学与技术学院师生共同完成，其中第一作者肖雨欣为北京化工大学数据科学与大数据技术专业本科生。
本科阶段，肖雨欣围绕医学图像分析、细粒度视觉识别以及多模态智能方向开展科研探索，先后参与多项人工智能相关研究工作。在本研究中，她围绕医学影像长尾学习问题开展算法设计、实验验证以及论文撰写工作，完成了从问题分析、模型构建到实验评估的完整科研流程。
此次ICPR 2026 Oral论文录用，是北京化工大学本科生参与国际人工智能前沿研究并取得国际学术认可的重要成果，也体现了学校在培养高水平创新型人才方面取得的积极成效。
推动医学人工智能与可信机器学习交叉研究发展
该研究聚焦医学人工智能领域中的关键问题，将视觉语言模型、对比学习、不确定性建模以及长尾视觉识别方法相结合，为解决真实医疗场景下数据分布不均衡、模型泛化能力不足等问题提供了新的思路。
未来，团队将继续围绕多模态人工智能、医学视觉分析以及可信机器学习方向开展深入研究，探索更加高效、可靠、可解释的智能模型，为人工智能技术赋能医疗健康等领域提供理论与方法支持。
论文信息
论文题目：
FPaCo: Queue-Free Contrastive Learning with Asymmetric VLM Distillation for Long-Tailed Medical Recognition
会议：
The 27th International Conference on Pattern Recognition (ICPR 2026)
论文类型：
Main Conference Oral Presentation
第一作者：
肖雨欣（北京化工大学）
通讯作者：
李瑞瑞 副教授
单位：
北京化工大学信息科学与技术学院