杜 炎，吕良福，焦一辰

（天津大学数学学院，天津 300350）

0 引言

近年来，深度神经网络的发展大大提高了图像分类的准确性与有效性。然而，这种方法需要大量的标记数据进行训练，数据不足会导致过拟合、泛化差等一系列问题。为了解决这个缺陷，只需少量标记数据的小样本学习应运而生［1］。

对于一个新事物，人类只需要从简单的几张图片就可以认识它，小样本学习正是模仿这种能力，使得模型在学习一定量的数据后，只需要少量的样本就可以对新的图像进行正确分类。一个简单的小样本学习方法是使用图像增强的手段［2-3］，通过对一张图片进行旋转、放缩等操作来扩充数据集，再利用扩充后的数据集训练模型。元学习的引入加速了小样本学习的研究进度，它将几张图片划分为一个任务，利用一个个任务进行模型训练，能够有效地防止小样本学习因数据过少而产生过拟合。早期小样本学习在图像分类中的研究大都是在模型结构、度量函数的基础上展开的，比较典型的有模型无关的元学习（Model Agnostic Meta Learning，MAML）方法［4］通过调整梯度学习规则来进行模型参数更新，匹配网络（Matching Network，MN）［5］利用余弦相似度度量目标图像与各类图像的相似性进行分类，以及原型网络（Prototypical Network，PN）［6］通过度量目标图像到各个类别原型的欧氏距离来进行分类等方法。后期比较新颖的解决小样本学习方法也是如此，如利用语义信息进行图像分类［7］、图神经网络方法［8］，还有一些类似于多模型融合方法［9］等。……