汪荣贵，汤明空，杨 娟，薛丽霞，胡 敏

（合肥工业大学计算机与信息学院，合肥 230601）

0 概述

近年来，深度学习方法在图像分类［1-3］、目标检测［4-6］等计算机视觉领域具有广泛应用，而应用的重要前提是使用海量带标注样本对深度学习模型加以训练。在很多特殊的应用场景下，获取大量标注样本成本较高，因此，如何赋予模型在少量样本中具有快速学习的能力并识别新的实体成为亟待解决的问题。

人类视觉模型从少量新事物中快速抽象出具有代表性概念的能力优于深度学习模型的学习过程。对于一类新事物，人类往往仅需要通过观察便可完成学习过程，并能够对新实体进行准确判断。为赋予深度学习模型快速学习的能力，小样本学习［7-9］问题应运而生。其中新实体称为查询样本，已观察的样本称为支持样本。

小样本学习问题是一类特殊的图像分类问题，此类任务要求使用少量待测试类别的训练样本构建性能优良的分类模型，而人类视觉模型的快速学习能力可满足小样本学习任务的需求。考虑人类认识并识别一类新事物的过程，首先需观察一个或数个新事物的实体，并从中抽象出具有代表性的特征，而在遇到新的实体时，则通过对比新实体特征与脑海中各类事物特征的相近程度完成对新实体类别的判断。受此启发，小样本学习的计算机视觉模型通常建模一个用于判断样本间相似度的分类器，该类方法称为度量学习。……