摘要
随着深度学习的发展，建立在海量数据之上的模型在图像分类问题上取得了优异的成果，但面对样本数量稀少的小样本学习问题却难以进行分类。人类能够将过去学习到的知识运用到新事物的学习上，使得他们可以通过少数几个样本获得识别新事物的能力，这种知识迁移的方法给小样本学习带了新思路，但仍存在一些局限性：(1)传统的扁平小样本方法忽略了类别间所具有的语义结构知识；(2)数据之间不仅仅只有语义层次结构知识，还存在更多比如数据的特征之间的知识有待挖掘。面向数据样本稀缺的小样本分类任务，本文充分挖掘数据之间所具有的知识，提出基于语义知识迁移的分层小样本学习方法，主要内容包括： (1)基于语义粗细知识迁移的分层小样本学习方法。针对传统小样本方法假设类别之间相互独立，忽略了类别之间所具有的层次关系的问题，通过引入树结构知识图谱，仿照人类“由粗到细”的认知模式，将粗粒度的语义知识迁移到细粒度，缓解样本不足带来的问题，最终提出了基于语义粗细知识迁移的分层小样本学习方法。 (2)基于语义特征知识迁移的分层小样本学习方法。针对单一的语义知识不能充分辅助模型进行分类的问题，通过从多角度考虑，充分挖掘数据之间的复杂知识，引入特征知识迁移模块，权衡语义知识与特征知识对模型的影响，最终提出了基于语义特征知识迁移的分层小样本学习方法。
NETL