跨域圖像空間數(shù)據(jù)少樣本學習研究

摘要： 跨域圖像空間數(shù)據(jù)少樣本學習(Few-Shot Learning, FSL)是近年來機器學習研究領域的熱點，旨在利用少量的有標簽圖像空間源域數(shù)據(jù)訓練一個可靠的模型對分布差異大的圖像目標域數(shù)據(jù)進行分類。概述了近年來主要的跨域圖像空間數(shù)據(jù)FSL模型，根據(jù)模型解決問題的主要思想，將其分類為數(shù)據(jù)引入法、特征增強法、參數(shù)控制法以及混合法。將數(shù)據(jù)引入法細分為基于單源域數(shù)據(jù)、基于多源域數(shù)據(jù)和基... （共20頁）