摘要：少樣本學習是目前機器學習研究領域的熱點與難點.在源域和目標域分布差異很大的情況下,現有的主流少樣本學習算法訓練得到的模型,泛化能力較弱,導致識別率不高.針對這個問題,提出一種基于深度網絡的少樣本學習方法 DL-FSL(Deep Learning-based Few-Shot Learning,DL-FSL).首先,采用Bagging方法有放回地隨機采樣方式產生不同的訓練集,針對不同的訓練集,分別產生樣本集、查詢集.其次,建立多條異步線程,利用關系型網絡學習算法以及Pytorch深度學習框架并行訓練出多個不同的基模型;然后,采用概率投票方式對不同的基模型進行融合.實驗結果表明,與現有方法相比,DL-FSL方法在源域和目標域分布差異很大的情況下能有效地提高少樣本學習算法的識別率.
注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社
