秦俊举, 曹选平， 夏校朋

(1 成都纺织高等专科学校 机械工程学院, 成都 611731；2 电子信息控制重点实验室 成都 610036)

0 引 言

基于深度神经网络的图像识别技术已得到广泛的应用。但是其缺点在于需要大量图像样本进行训练，才能保证较好的识别效果。但某些应用下，如遥感图像或红外图像的目标识别中，由于图像采集的高成本和高难度使得不易获得大量的训练图像,会导致训练不收敛，或识别准确率大大降低。针对该问题，人们研究了一系列方法，以提升少样本下图像识别的准确度[1]。

任佳等引入支持向量机，利用贝叶斯网络各观测节点不同时刻下的预测信息，通过样本回归对缺失数据进行修复，解决了小样本下的BN参数学习问题[2]；郑欣悦提出结合表征学习和注意力机制的少样本学习方法VAE-ATTN[3]。首先，通过预训练变分自编码器(variational autoencoder,VAE)学习丰富的隐特征；其次，对提取出的隐特征构建注意力机制；最后，使用分类器进行图像分类；田霞针对基于元学习的少样本图像分类，设计了多尺度关系网络[4]。首先，在特征提取器加入多尺度特征,将卷积神经网络的输出在深度方向进行拼接；其次,设计多尺度特征的结合方式；最后,将关系特征通过神经网络进行度量学习，提高了少样本学习基准集的分类准确率,缓解了过拟合情况；徐培针对少样本的应用场景,提出了如何有效地组织样本和高效检测目标等系列方法[5]；王宁针对人脸图像容易受外界影响，且存在少样本情况，提出先验采样约束结合扩展遮挡字典的细化稀疏识别算法，在光照、表情、角度变化情况下,取得了较满意的识别结果[6]。……