基于卷积神经网络的少样本图像分类方法研究

目录

声明

致谢

1 引言

1.1研究背景

1.2国内外研究现状

1.2.1基于数据扩增的少样本学习研究现状

1.2.2基于迁移学习的少样本学习研究现状

1.2.3基于元学习的少样本学习研究现状

1.3主要研究内容

1.4组织结构框架

2 少样本图像分类的理论基础

2.1少样本学习

2.1.1图像分类流程

2.1.2图像分类方法

2.2数据扩增

2.2.1图像扩增

2.2.2 生成模型

2.3分类网络模型

2.3.1 卷积神经网络模型

2.3.2 元学习网络模型

2.4少样本图像数据扩增与分类实例化

2.4.1少样本图像数据扩增

2.4.2 少样本扩增对图像分类的影响

2.5 本章小结

3 基于模型迁移的少样本图像分类

3.1 迁移学习

3.1.1 迁移学习定义

3.1.2 迁移学习分类

3.2 基于模型迁移的少样本图像分类

3.2.1 模型迁移

3.2.2 网络模型选择

3.2.3 模型迁移的实现

3.3 模型迁移与融合

3.3.1 实验环境

3.3.2 不同网络模型的迁移实验

3.3.3 网络模型迁移并融合实验

3.4 本章小结

4 基于元学习的少样本图像分类

4.1 元学习

4.2 元学习器设计

4.2.1 特征编码网络

4.2.2 GNN模型

4.2.3 元任务损失

4.3 基准数据集的实验

4.3.1 实验环境以及数据集介绍

4.3.2 实验对比分析

4.4 本章小结

5 总结与展望

5.1 总结

5.2 展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集