基于深度学习的短期学习:一项调查
1Engineering Training Center, Putian University, Putian 351100, China.
Mathematical biosciences and engineering : MBE
|February 2, 2024
概括
浅射学习 (FSL) 解决了深度学习 (DL) 的挑战,使用有限的数据. 本综述探讨了基于DL的FSL图像分类方法,将其分类为数据增强,度量学习,元学习和辅助任务.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 深度学习 (DL) 在大数据集中表现出色,但在数据稀缺的现实场景中面临局限性.
- 在许多实际应用中,有限的数据限制了模型性能和概括能力.
- 少数射击学习 (FSL) 作为一种使用最小样本训练高性能模型的解决方案.
研究的目的:
- 为图像分类提供基于DL的少数镜头学习方法提供全面的审查.
- 分类和介绍经典和先进的FSL技术.
- 讨论FSL中的数据集,绩效基准,挑战和未来方向.
主要方法:
- 该审查将FSL方法分为四大组:数据增强,度量学习,元学习和涉及辅助任务的方法.
- 它在这些类别中系统地引入了既定和最先进的FSL算法.
- 介绍了对常见FSL数据集的性能评估.
主要成果:
- 该研究将FSL方法分为数据增强,度量学习,元学习和辅助任务.
- 它审查了经典和先进的FSL技术及其在基准数据集上的表现.
- 确定了关键挑战和未来的研究途径.
结论:
- 当大数据集不可用时,对图像分类来说,少数镜头的学习至关重要.
- 该评论对FSL方法进行了分类,讨论了它们的性能,并强调了未来的研究方向.
- FSL技术为利用有限数据的深度学习提供了一个有希望的解决方案.
