摘要：少样本学习是目前机器学习研究领域的热点与难点.在源域和目标域分布差异很大的情况下,现有的主流少样本学习算法训练得到的模型,泛化能力较弱,导致识别率不高.针对这个问题,提出一种基于深度网络的少样本学习方法 DL-FSL(Deep Learning-based Few-Shot Learning,DL-FSL).首先,采用Bagging方法有放回地随机采样方式产生不同的训练集,针对不同的训练集,分别产生样本集、查询集.其次,建立多条异步线程,利用关系型网络学习算法以及Pytorch深度学习框架并行训练出多个不同的基模型;然后,采用概率投票方式对不同的基模型进行融合.实验结果表明,与现有方法相比,DL-FSL方法在源域和目标域分布差异很大的情况下能有效地提高少样本学习算法的识别率.
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
