文献类型：期刊文章

作　　者：葛轶洲[1,2] 刘恒[3] 王言[3] 徐百乐[3] 周青[1,2] 申富饶[3]

GE Yi-Zhou;LIU Heng;WANG Yan;XU Bai-Le;ZHOU Qing;SHEN Fu-Rao(Science and Technology on Communication Information Security Control Laboratory,Jiaxing 314033,China;The 36th Research Institute of China Electronics Technology Group Corporation,Jiaxing 314033,China;State Key Laboratory for Novel Software Technology(Nanjing University),Nanjing 210023,China)

机构地区：[1]通信信息控制和安全技术重点实验室,浙江嘉兴314033 [2]中国电子科技集团公司第三十六研究所,浙江嘉兴314033 [3]计算机软件新技术国家重点实验室(南京大学),江苏南京210023

出　　处：《软件学报》

基　　金：国家自然科学基金(61876076)。

年　　份：2022

卷　　号：33

期　　号：1

起止页码：193-210

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：图像识别是图像研究领域的核心问题,解决图像识别问题对人脸识别、自动驾驶、机器人等各领域研究都有重要意义.目前广泛使用的基于深度神经网络的机器学习方法,已经在鸟类分类、人脸识别、日常物品分类等图像识别数据集上达到了超过人类的水平,同时越来越多的工业界应用开始考虑基于深度神经网络的方法,以完成一系列图像识别业务.但是深度学习方法极度依赖大规模标注数据,这一缺陷极大地限制了深度学习方法在实际图像识别任务中的应用.针对这一问题,越来越多的研究者开始研究如何基于少量的图像识别标注样本来训练识别模型.为了更好地理解基于少量标注样本的图像识别问题,广泛地讨论了几种图像识别领域主流的少量标注学习方法,包括基于数据增强的方法、基于迁移学习的方法以及基于元学习的方法,通过讨论不同算法的流程以及核心思想,可以清晰地看到现有方法在解决少量标注的图像识别问题上的优点和不足.最后针对现有方法的局限性,指出了小样本图像识别未来的研究方向.

关 键 词：图像识别 深度学习  小样本学习  数据增强  迁移学习  元学习

分 类 号：TP391]