原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
软件学报
ISSN
1000-9825,
CODEN
RUXUEWE-mail:
jos@
JournalofSoftware,2024,35(5):2414−2429
[doi:
10.13328/ki.jos.006958]
©中国科学院软件研究所版权所有.Tel:
+86-10
*
面向小样本学习的轻量化知识蒸馏
陈嘉言,
任东东,
李文斌,
霍
静,
高
阳
(南京大学
计算机科学与技术系,
江苏
南京
210023)
通信作者:
李文斌,
E-mail:
liwenbin@
摘要:
小样本学习旨在模拟人类基于少数样例快速学习新事物的能力,
对解决样本匮乏情境下的深度学习任务
具有重要意义.
但是,
在诸多计算资源有限的现实任务中,
模型规模仍可能限制小样本学习的广泛应用.
这对面向
小样本学习的轻量化任务提出了现实的需求.
知识蒸馏作为深度学习领域广泛使用的辅助策略,
通过额外的监督
信息实现模型间知识迁移,
在提升模型精度和压缩模型规模方面都有实际应用.
首先验证知识蒸馏策略在小样本
学习模型轻量化中的有效性.
并结合小样本学习任务的特点,
针对性地设计两种新的小样本蒸馏方法:
(1)基于图
像局部特征的蒸馏方法;
(2)基于辅助分类器的蒸馏方法.
在miniImageNet和TieredImageNet数据集上的相关实验
证明所设计的新的蒸馏方法相较于传统知识蒸馏在小样本学习任务上具有显著优越性.
关键词:
深度学习;
小样本学习;
图像识别;
知识蒸馏;
模型轻量化
中图法分类号:
TP18
中文引用格式:
陈嘉言,
任东东,
李文斌,
霍静,
高阳.
面向小样本学习的轻量化知识蒸馏.
软件学报,
2024,
35(5):
2414–2429.
http://
/1000-9825/6958.htm
英文引用格式:
Chen
JY,
Ren
DD,
Li
WB,
Huo
J,
Gao
Y.
Lightweight
Knowledge
Distillation
for
Few-shot
Learning.
Ruan
Jian
Xue
Bao/Journal
of
Software,
2024,
35(5):
2414–2429
(in
Chinese).
/1000-9825/6958.htm
LightweightKnowledgeDistillationforFew-shotLearning
CHEN
Jia-Yan,
REN
Dong-Dong,
LI
Wen-Bin,
HUO
Jing,
GAO
Yang
(Department
of
Computer
Science
and
Technology,
Nanjing
University,
Nanjing
210023,
China)
Abstract:
Few-shot
learning
aims
at
simulating
the
ability
of
human
beings
to
quickly
learn
new
things
with
only
few
samples,
which
is
of
great
significance
for
deep
learning
tasks
when
samples
are
limited.
However,
in
many
practical
tasks
with
limited
computing
resources,
the
model
scale
may
still
limit
a
wider
application
of
few-shot
learning.
This
study
presents
a
r
文档评论（0）