文献类型：期刊文章

作　　者：李新叶[1] 龙慎鹏[1] 朱婧[1]

Li Xinye;Long Shenpeng;Zhu Jing(Dept.of Electronics & Communication Engineering,North China Electric Power University,Baoding Hebei 071000,China)

机构地区：[1]华北电力大学电子与通信工程系,河北保定071000

出　　处：《计算机应用研究》

年　　份：2020

卷　　号：37

期　　号：8

起止页码：2241-2247

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

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。

关 键 词：少样本学习  数据增强  迁移学习  度量学习  元学习

分 类 号：TP181]