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
北京交通大学;