摘要
摘要
现有基于深度学习的模型通常需要大量且标注准确的数据进行训练,但在许
多应用场景中,获取这些数据的过程面临着各种挑战,从而限制了深度学习的性能。
因此,探究在有限样本下的图像分类模型的算法是非常具有现实意义的。少样本学
习旨在利用少量带标记的样本进行学习,能够完成相应目标的分类识别。然而,传
统的少样本学习方法存在特征表示能力不足和模型适应性有限等问题。本文从少
样本学习领域中最有效的度量学习入手研究解决这些问题。主要工作
摘要
摘要
现有基于深度学习的模型通常需要大量且标注准确的数据进行训练,但在许
多应用场景中,获取这些数据的过程面临着各种挑战,从而限制了深度学习的性能。
因此,探究在有限样本下的图像分类模型的算法是非常具有现实意义的。少样本学
习旨在利用少量带标记的样本进行学习,能够完成相应目标的分类识别。然而,传
统的少样本学习方法存在特征表示能力不足和模型适应性有限等问题。本文从少
样本学习领域中最有效的度量学习入手研究解决这些问题。主要工作
文档评论(0)