郑蕊蕊，辛守宇，周 瑜，刘文鹏，党佳伟，贺建军

(大连民族大学 信息与通信工程学院 辽宁 大连 116600)

0 引言

深度学习模型在图像识别和检测任务中取得了优异的成果[1-3]。然而，这些有监督的神经网络模型需要大量有标签的样本来训练参数，严重限制了这些模型对一些只有少量有标签样本的数据集的适用性。在满文识别研究中，传统的深度学习方法受制于满文数据集中有标签样本较少的问题，因此无法充分发挥强大的识别能力。目前有很多专家学者开始关注小样本学习问题。小样本学习问题是指在对测试实例进行测试之前，只能观察每个可能类的几个示例，以此为限制条件对测试样本进行分类，这种小样本学习问题称为K-shot学习。K-shot学习方法适用于小样本学习场景，因此在医疗诊断[4]、文本分类[5]、目标检测[6]、目标跟踪[7]等领域得到了广泛的应用。满文数据集类别很多，但每个类别中有标签的样本较少，因此满文识别可以视为一个典型的K-shot学习问题。但目前的K-shot学习研究大多只关注较小类别数量的分类问题，大类别场景下的K-shot学习算法没有得到广泛地关注，而在满文识别研究中算法需要面对极大的类别数，因此如何在大类别场景下利用K-shot学习方法获得较好的识别结果成为了一个挑战。

本文利用N元ECOC技术构建了一种大类别K-shot满文识别方法。本文的主要贡献包括3个方面:

1)提出了一种在大类别场景下适用的K-shot学习算法，有效地提高了K-shot学习……