摘要:图像分类的应用场景非常广泛,很多场景下难以收集到足够多的数据来训练模型,利用小样本学习进行图像分类可解决训练数据量小的问题.本文对近年来的小样本图像分类算法进行了详细综述,根据不同的建模方式,将现有算法分为卷积神经网络模型和图神经网络模型两大类,其中基于卷积神经网络模型的算法包括四种学习范式:迁移学习、元学习、对偶学习和贝叶斯学习;基于图神经网络模型的算法原本适用于非欧几里得结构数据,但有部分学者将其应用于解决小样本下欧几里得数据的图像分类任务,有关的研究成果目前相对较少.此外,本文汇总了现有文献中出现的数据集并通过实验结果对现有算法的性能进行了比较.最后,讨论了小样本图像分类技术的难点及未来研究趋势.

成为VIP会员查看完整内容
146

相关内容

小样本学习(Few-Shot Learning,以下简称 FSL )用于解决当可用的数据量比较少时,如何提升神经网络的性能。在 FSL 中,经常用到的一类方法被称为 Meta-learning。和普通的神经网络的训练方法一样,Meta-learning 也包含训练过程和测试过程,但是它的训练过程被称作 Meta-training 和 Meta-testing。
基于深度学习的表面缺陷检测方法综述
专知会员服务
83+阅读 · 2020年5月31日
基于深度神经网络的少样本学习综述
专知会员服务
163+阅读 · 2020年4月22日
零样本图像识别综述论文
专知会员服务
56+阅读 · 2020年4月4日
专知会员服务
109+阅读 · 2020年3月20日
【浙江大学】对抗样本生成技术综述
专知会员服务
89+阅读 · 2020年1月6日
零样本图像分类综述 : 十年进展
专知会员服务
121+阅读 · 2019年11月16日
新加坡南洋理工最新37页《零样本学习综述》论文
专知会员服务
109+阅读 · 2019年10月20日
零样本图像识别综述论文
专知
20+阅读 · 2020年4月4日
从 ICLR 2019 一览小样本学习最新进展!
AI科技评论
15+阅读 · 2019年6月9日
小样本学习(Few-shot Learning)综述
PaperWeekly
120+阅读 · 2019年4月1日
清华大学图神经网络综述:模型与应用
机器之心
72+阅读 · 2018年12月26日
图神经网络综述:模型与应用
PaperWeekly
193+阅读 · 2018年12月26日
Arxiv
4+阅读 · 2019年4月25日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
135+阅读 · 2018年10月8日
Learning to Focus when Ranking Answers
Arxiv
5+阅读 · 2018年8月8日
Arxiv
11+阅读 · 2018年7月8日
Arxiv
11+阅读 · 2018年1月28日
VIP会员
相关VIP内容
基于深度学习的表面缺陷检测方法综述
专知会员服务
83+阅读 · 2020年5月31日
基于深度神经网络的少样本学习综述
专知会员服务
163+阅读 · 2020年4月22日
零样本图像识别综述论文
专知会员服务
56+阅读 · 2020年4月4日
专知会员服务
109+阅读 · 2020年3月20日
【浙江大学】对抗样本生成技术综述
专知会员服务
89+阅读 · 2020年1月6日
零样本图像分类综述 : 十年进展
专知会员服务
121+阅读 · 2019年11月16日
新加坡南洋理工最新37页《零样本学习综述》论文
专知会员服务
109+阅读 · 2019年10月20日
相关论文
Arxiv
4+阅读 · 2019年4月25日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
135+阅读 · 2018年10月8日
Learning to Focus when Ranking Answers
Arxiv
5+阅读 · 2018年8月8日
Arxiv
11+阅读 · 2018年7月8日
Arxiv
11+阅读 · 2018年1月28日
微信扫码咨询专知VIP会员