首页|基于深度神经网络的少样本学习综述

基于深度神经网络的少样本学习综述

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
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.
Survey of few-shot learning based on deep neural network

李新叶、龙慎鹏、朱婧

展开 >

华北电力大学 电子与通信工程系,河北 保定071000

少样本学习 数据增强 迁移学习 度量学习 元学习

2020

10.19734/j.issn.1001-3695.2019.03.0036

计算机应用研究
四川省电子计算机应用研究中心

计算机应用研究

CSTPCDCSCD北大核心
影响因子：0.93
ISSN：1001-3695
年,卷(期)：2020.37(8)
  • 33
  • 1