深度神经网络的小样本学习综述

摘要：

随着最近深度学习技术的蓬勃发展,深度神经网络(DNN)在大规模的图像分类与识别任务中取得了突破性的进展,但其在解决小样本学习问题时仍面临巨大挑战.小样本学习(FSL)是指在少量有监督样本的情况下学习一个能解决实际问题的模型,在深度学习领域具有重要意义.这促使该系统梳理了已有的DNN下的小样本学习工作,根据它们在解决小样本学习问题时所采用的技术,将DNN下的小样本学习解决方案分为四种策略:数据增强、度量学习、外部记忆、参数优化.根据这些策略,对现有的DNN下的小样本学习方法进行了全面的综述,同时总结了每一种策略在相关基准上的表现.强调了现有技术存在的局限性并对其未来的发展方向进行了展望,为今后的研究工作提供参考.

关键词：小样本学习、度量学习、数据增强、元学习、深度神经网络

所属期刊栏目：57

分类号：TP39(计算技术、计算机技术)

资助基金：国家自然科学基金原创探索计划项目;四川省重点研发项目;人工智能四川省重点实验室开放基金;地质灾害防治与地质环境保护国家重点实验室自主基金;成都理工大学珠峰科学研究计划

在线出版日期：2021-04-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：22-33