跨域圖像空間數據少樣本學習研究

摘 要：跨域圖像空間數據少樣本學習（ＦｅｗＳｈｏｔ Ｌｅａｒｎｉｎｇ，ＦＳＬ） 是近年來機器學習研究領域的熱點，旨在利用少量的有標簽圖像空間源域數據訓練一個可靠的模型對分布差異大的圖像目標域數據進行分類。概述了近年來主要的跨域圖像空間數據ＦＳＬ 模型，根據模型解決問題的主要思想，將其分類為數據引入法、特征增強法、參數控制法以及混合法。將數據引入法細分為基于單源域數據、基于多源域數據和基于目標域數據；將特征增強法細分為特征轉換和特征融合；將混合法細分為不同方法的結合使用和不同類型損失函數的結合使用，并總結了不同方法的原理、優點與不足。對當前跨域圖像空間ＦＳＬ 常用的數據集、基準進行了詳細介紹，在主流基準上對經典模型的實驗結果進行對比與分析。對當前跨域圖像空間數據ＦＳＬ 面臨的挑戰進行總結，指出未來可能的發展方向。

關鍵詞：少樣本學習；跨域少樣本學習；圖像空間；特征增強

中圖分類號：ＴＰ３９１． ４ 文獻標志碼：Ａ

文章編號：１００３－３１０６（２０２４）１２－２８００－２０

０ 引言

隨著大數據時代的到來，深度學習模型已經在圖像分類［１－２］、目標檢測［３－４］、圖像合成［５－６］等計算機視覺任務方面取得了令人矚目的成果并得到了廣泛應用。但深度學習模型的成功很大程度上依賴于大規模的標記數據集。與此同時，現實生活中有許多特殊領域，如新型病毒、稀有物種、軍事應用等，由于數據本身有限，再加上標注成本高，使得獲取大量標記數據變得十分困難，嚴重限制了深度學習模型的應用范圍并影響其進一步發展。