胡胜利，吴 季

(安徽理工大学 计算机科学与工程学院，安徽 淮南 232001)

深度学习在人工智能(Artificial Intelligence，AI)中属于一个重要的分支，在图像识别等领域取得了不错的成绩。在深度学习还未得到真正应用之前，处理图像的方法一般有阈值处理、边缘、区域、图论等。对人脸图像进行识别时，一般采用的是Haar-like特征+级联分类器。这些传统方法在处理图像数据时，都需要进行十分复杂的预处理工作(即特征提取工作)，不仅耗时长、精度低，而且破坏了许多图像原有的特性。因深度学习的兴起，卷积神经网络开始应用于图像处理中，解决了传统人工特征提取图像存在的种种问题。随着深度学习的发展，相关神经网络模型也不断推陈出新[1]，如 He等[2]将Resnet101应用在深度卷积神经网络中，大大提高了图像分类的准确度。深度学习模型应用在图像处理中，可以得到极高的准确率。Doon等[3]使用12层卷积神经网络(CNN)对CIFAR-10数据集进行图像识别，在测试中得到了87%的准确率。但当深度模型应用于小样本的图像数据中时，训练学习效果不好，只有在训练样本量很大时，才可以很好地泛化到不同的样本[4]。而且，当使用深度学习模型进行高精度实验时，需要用到的计算机硬件价格极其昂贵，在计算量中计算代价极大。所以，一般在训练小样本的样本数据时，运用迁移学习对深度模型进行迁移训练，可以有效解决因样本量少带的来准确率低等问题。

针对小样本图像分类的问题，本文采用迁移学习的方法，将深度卷积神经网络模型应用于小样本的图像处理中，旨在为小样本图像分类提供一种新方法。……