小样本图像分类研究综述.pdfVIP

计算机科学与探索1673-9418/2023/17(03)-0511-22

JournalofFrontiersofComputerScienceandTechnologydoi:10.3778/j.issn.1673-9418.2210035

小样本图像分类研究综述

+

安胜彪，郭昱岐，白宇，王腾博

河北科技大学信息科学与工程学院，石家庄050018

+通信作者E-mail:baiyu@hebust.edu.cn

摘要：近年来，借助大规模数据集和庞大的计算资源，以深度学习为代表的人工智能算法在诸多领域取得成

功。其中计算机视觉领域的图像分类技术蓬勃发展，并涌现出许多成熟的视觉任务分类模型。这些模型均需

要利用大量的标注样本进行训练，但在实际场景中因诸多限制导致数据量稀少，往往很难获得相应规模的高

质量标注样本。因此如何使用少量样本进行学习已经逐渐成为当前的研究热点。针对分类任务系统梳理了

当前小样本图像分类的相关工作，小样本学习主要采用元学习、度量学习和数据增强等深度学习方法。从有

监督、半监督和无监督等层次归纳总结了小样本图像分类的研究进展和典型技术模型，以及这些模型方法在

若干公共数据集上的表现，并从机制、优势、局限性等方面进行了对比分析。最后，讨论了当前小样本图像分

类面临的技术难点以及未来的发展趋势。

关键词：深度学习；监督学习；元学习；度量学习；图像分类

文献标志码：A中图分类号：TP18

SurveyofFew-ShotImageClassificationResearch

+

ANShengbiao,GUOYuqi,BAIYu,WANGTengbo

SchoolofInformationScienceandEngineering,HebeiUniversityofScienceandTechnology,Shijiazhuang050018,

China

Abstract:Inrecentyears,artificialintelligencealgorithmsrepresentedbydeeplearninghaveachievedsuccessin

manyfieldsbyrelyingonlarge-scaledatasetsandhugecomputingresources.Amongthem,theimageclassification

technologyinthefieldofcomputervisiondevelopsvigorously,andmanymaturevisualtaskclassificationmodels

emerge.Allthesemodelsneedtousealargenumberofannotatedsamplesfortraining.However,inactualscena-

rios,duetomanyrestrictions,theamountofdataisscarce,anditisoftendifficulttoobtainhigh-qualityannotated

samplesofcorrespondingscale.Therefore,howtouseasmallnumberofsamplesforlearninghasgraduallybecome

aresearchhotspot.Inviewoftheclassificationtasksystem,thispaperreviewsthecurrentworkrelatedtofew-shot

imageclassification.Few-shotlearningmainlyadoptsdeeplearningmethodssuchasmeta-learning,metriclearning

anddataenha