-
题名基于深度神经网络的少样本学习综述
被引量：39
- 1
-
-
作者
李新叶
龙慎鹏
朱婧
-
机构
华北电力大学电子与通信工程系
-
出处
《计算机应用研究》
CSCD
北大核心
2020年第8期2241-2247,共7页
-
文摘
如何从少数训练样本中学习并识别新的类别对于深度神经网络来说是一个具有挑战性的问题。针对如何解决少样本学习的问题,全面总结了现有基于深度神经网络的少样本学习方法,涵盖了方法所用模型、数据集及评估结果等各个方面。具体地,针对基于深度神经网络的少样本学习方法,提出将其分为数据增强方法、迁移学习方法、度量学习方法和元学习方法四种类别;对于每个类别,进一步将其分为几个子类别,并且在每个类别与方法之间进行一系列比较,以显示各种方法的优劣和各自的特点。最后强调了现有方法的局限性,并指出了少样本学习研究领域未来的研究方向。
-
关键词
少样本学习
数据增强
迁移学习
度量学习
元学习
-
Keywords
few-shot learning
data enhancement
migration learning
metric learning
meta learning
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于度量方式不可知的少量样本的一次性面部识别
- 2
-
-
作者
李新叶
龙慎鹏
-
机构
华北电力大学(保定)电子与通信工程系
-
出处
《电脑编程技巧与维护》
2020年第1期3-5,34,共4页
-
文摘
从少量样本中学习仍然是机器学习的关键挑战。尽管最近在视觉和语言等重要领域取得了进展,但标准监督的深度学习范式并没有为从小样本中快速学习新概念提供令人满意的解决方案。在此研究训练具有少量训练数据的人脸识别模型的问题。借鉴了一个概念上简单、灵活和通用的框架,用于少样本人脸识别,只给出几个例子,分类器学会识别新类。在元学习期间,它学习深度距离度量以比较图像的相似性,每个图像被设计为模拟少样本学习设置。一旦经过训练,模型就能够通过计算查询图像与每个人脸图像的示例之间的关系分数来对新类别的人脸图像进行分类,而无需进一步更新网络。定义了关于少样本人脸识别(使用mini-PubFig数据集)一次性学习问题。
-
关键词
少样本学习
人脸识别
度量学习
元学习
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TP18
[自动化与计算机技术—计算机科学与技术]
-
