基于深度神经网络的少样本学习综述

• 作者: 朱婧 李新叶 龙慎鹏
• 来源期刊: 计算机应用研究
• 关键词: 少样本学习 数据增强 迁移学习 度量学习 元学习
• 年，卷（期）: 2020,（8）
• 所属期刊栏目: 综述评论
• 页码范围: 2241-2247
• 页数: 7页
• 分类号: TP181
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2019.03.0036

摘要

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李新叶		36	314	11.0	16.0
2	朱婧		2	0	0.0	0.0
3	龙慎鹏		1	0	0.0	0.0