小樣本深度學(xué)習(xí)在目標(biāo)識別分類領(lǐng)域的應(yīng)用前景研究

關(guān)鍵詞：小樣本目標(biāo)識別分類；數(shù)據(jù)增強(qiáng)；遷移學(xué)習(xí)；度量學(xué)習(xí)

中圖分類號：ＴＰ１８ 文獻(xiàn)標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）１１－２５９４－０８

０引言

快速準(zhǔn)確實(shí)現(xiàn)目標(biāo)識別分類是信息化戰(zhàn)爭背景下的迫切需求，直接影響到效能。迄今為止，目標(biāo)識別領(lǐng)域主要基于傳統(tǒng)的人工特征設(shè)計(jì)、提取，基于自動化提取目標(biāo)特征的深度學(xué)習(xí)算法成為目前目標(biāo)識別分類商業(yè)化應(yīng)用發(fā)展階段中被期望克服數(shù)據(jù)專業(yè)性壁壘、數(shù)據(jù)處理耗時長等困難的一種方式［１］。隨著大數(shù)據(jù)技術(shù)的發(fā)展，以深度學(xué)習(xí)算法為主實(shí)現(xiàn)的機(jī)器學(xué)習(xí)技術(shù)在目標(biāo)識別分類領(lǐng)域取得了革命性的飛躍，檢測的精度和性能均得到了明顯的提升，廣泛應(yīng)用于實(shí)際場景中。但是深度學(xué)習(xí)目標(biāo)檢測模型的建立對樣本數(shù)量和數(shù)據(jù)質(zhì)量的依賴性較高，由于領(lǐng)域和任務(wù)的特殊性，能夠獲取到的數(shù)據(jù)量往往不充足［２］，在沒有大量高質(zhì)量數(shù)據(jù)的支持下，如何獲得較好的檢測效果并更好地應(yīng)用于相關(guān)領(lǐng)域，基于小樣本的深度學(xué)習(xí)算法的研究與應(yīng)用成為人工智能領(lǐng)域的研究熱點(diǎn)。

小樣本學(xué)習(xí)［３］旨在利用先驗(yàn)知識克服海量數(shù)據(jù)缺失帶來的模型過擬合問題，提高模型在新類別上的泛化能力，極大程度降低數(shù)據(jù)集獲取建立的成本和難度［４］。本文以小樣本學(xué)習(xí)為主要研究內(nèi)容，簡述了小樣本學(xué)習(xí)的基本理論，探討了基于數(shù)據(jù)增強(qiáng)、遷移學(xué)習(xí)及度量學(xué)習(xí)３ 種常用方法在目標(biāo)分類識別領(lǐng)域的應(yīng)用場景和現(xiàn)狀，分析了目前小樣本目標(biāo)分類識別方案在該領(lǐng)域仍舊存在的問題，給出了未來研究、應(yīng)用的展望，以期為小樣本學(xué)習(xí)在目標(biāo)識別分類領(lǐng)域的探索與發(fā)展提供更多有益的參考。

當(dāng)具有標(biāo)注信息的樣本數(shù)量足夠時，模型訓(xùn)練誤差就會變小，如圖１（ａ）和圖１（ｂ）所示。但在小樣本目標(biāo)識別分類應(yīng)用中，模型訓(xùn)練誤差往往都較大。因此，在樣本數(shù)量較少時，采用傳統(tǒng)的訓(xùn)練模型算法是很難獲得滿意的精度的，需要探索新的解決方案。人類的一個突出特征是通過一定的知識學(xué)習(xí)與積累，只學(xué)習(xí)少量乃至單個實(shí)例即可實(shí)現(xiàn)對新物體的識別與分類。受此啟發(fā)，在深度學(xué)習(xí)發(fā)展基礎(chǔ)之上，提出了利用之前學(xué)習(xí)的先驗(yàn)知識輔助模型訓(xùn)練學(xué)習(xí)降低模型訓(xùn)練誤差的小樣本學(xué)習(xí)的概念，如圖１（ｃ）所示，小樣本學(xué)習(xí)的核心就是在小樣本條件下降低模型的訓(xùn)練誤差。

小樣本學(xué)習(xí)的定義是從某個類的包含有限信息的樣本集中學(xué)習(xí)出該概念類。基于小樣本的深度學(xué)習(xí)通常將數(shù)據(jù)集劃分為訓(xùn)練集（Ｔｒａｉｎｉｎｇ Ｓｅｔ）、支持集（Ｓｕｐｐｏｒｔ Ｓｅｔ）和查詢集（Ｑｕｅｒｙ Ｓｅｔ）三部分。其中，訓(xùn)練集是用于預(yù)訓(xùn)練學(xué)習(xí)模型的源數(shù)據(jù)集，一般包含了大量的標(biāo)記信息；支持集是用于選出具有優(yōu)良分類性能模型的目標(biāo)域訓(xùn)練數(shù)據(jù)集，包含了少量的標(biāo)記信息；查詢集是用于驗(yàn)證訓(xùn)練模型準(zhǔn)確率的目標(biāo)域測試數(shù)據(jù)集。但有別于傳統(tǒng)的分類算法，在小樣本學(xué)習(xí)中，這３ 個數(shù)據(jù)集包含的類別是完全不同的。在每個給定的元任務(wù)中，支持集與查詢集包含相同的標(biāo)簽集，但二者隨機(jī)選取不重復(fù)數(shù)據(jù)樣本。支持集是由具有標(biāo)記信息的樣本組成，與傳統(tǒng)目標(biāo)識別分類模型建立的“訓(xùn)練集”類似，使模型學(xué)習(xí)不同任務(wù)之間的共性部分；查詢集是由無標(biāo)記信息的樣本組成，與傳統(tǒng)目標(biāo)識別分類模型建立的“測試集”類似，用于測試學(xué)習(xí)模型的準(zhǔn)確率。

２深度學(xué)習(xí)中小樣本建模機(jī)制的應(yīng)用

目前，小樣本學(xué)習(xí)領(lǐng)域有幾種常用處理各類應(yīng)用場景的建模方法，分別為基于數(shù)據(jù)增強(qiáng)的方法、基于遷移學(xué)習(xí)的方法以及基于度量學(xué)習(xí)的方法等。對傳統(tǒng)目標(biāo)識別分類算法與小樣本學(xué)習(xí)的幾種方法進(jìn)行了簡要的對比分析，如表１所示。接下來就小樣本學(xué)習(xí)的３種方法在雷達(dá)目標(biāo)識別、遙感目標(biāo)檢測和實(shí)體識別等領(lǐng)域的研究現(xiàn)狀進(jìn)行詳細(xì)介紹。

２．１基于數(shù)據(jù)增強(qiáng)的小樣本目標(biāo)識別分類

數(shù)據(jù)增強(qiáng)，也可稱為數(shù)據(jù)擴(kuò)充，是一種通過算法基于已有數(shù)據(jù)自動生成等價新數(shù)據(jù)的技術(shù)，能達(dá)到擴(kuò)充訓(xùn)練集的目的。該方法能夠不增加人工標(biāo)注數(shù)據(jù)的工作，自動生成大量數(shù)據(jù)集，增強(qiáng)數(shù)據(jù)集的體量與多樣性，從而避免學(xué)習(xí)模型過度擬合的問題。數(shù)據(jù)增強(qiáng)的方法分為數(shù)據(jù)合成和特征增強(qiáng)法。在傳統(tǒng)的圖像分類領(lǐng)域，常見的數(shù)據(jù)增強(qiáng)方法是使用旋轉(zhuǎn)、幾何變換和隨機(jī)擦除等操作在原有圖像基礎(chǔ)上進(jìn)行數(shù)學(xué)變換以實(shí)現(xiàn)數(shù)據(jù)擴(kuò)充，而特征增強(qiáng)法則可借助一些輔助信息進(jìn)行增強(qiáng)操作。隨著對數(shù)據(jù)增強(qiáng)的深入研究，生成對抗網(wǎng)絡(luò)（Ｇｅｎｅｒａｔｉｖｅ" Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔ-ｗｏｒｋ，ＧＡＮ）［２０］模型被提出，該模型是數(shù)據(jù)增強(qiáng)算法框架中較有代表性的一種，由生成器和判別器兩部分組成，生成器的目標(biāo)是不斷生成變化的以假亂真的新樣本，而判別器的目標(biāo)則是判斷生成的新樣本的真假，通過二者的不斷迭代和博弈學(xué)習(xí)，將目標(biāo)識別分類任務(wù)轉(zhuǎn)化為多個單目標(biāo)函數(shù)優(yōu)化組合問題，生成擬合真實(shí)數(shù)據(jù)分布的有變化的模擬數(shù)據(jù)，算法偽代碼如算法１所示。

在ＧＡＮ 的發(fā)展基礎(chǔ)之上，陳龍等［２１］設(shè)計(jì)了一種基于ＧＡＮ 優(yōu)化樣本數(shù)據(jù)質(zhì)量與深度森林學(xué)習(xí)模型［２２］相結(jié)合的方法實(shí)現(xiàn)圖像中目標(biāo)的智能識別，該方法采用了多粒度特征提取，無需人工耗時干預(yù)特征選擇。分別采用ＧＡＮ 和傳統(tǒng)模型增強(qiáng)方法對初始目標(biāo)樣本和優(yōu)化后的目標(biāo)樣本進(jìn)行了擴(kuò)展，最大程度上生成與真實(shí)樣本相似的數(shù)據(jù)，通過增加高質(zhì)量數(shù)據(jù)樣本量解決模型在小樣本條件下的收斂問題，構(gòu)建了具有強(qiáng)魯棒性的網(wǎng)絡(luò)模型，提升了目標(biāo)識別的準(zhǔn)確率，優(yōu)于其他許多算法。Ｊｉａｎｇ 等［２３］針對小樣本條件下深度學(xué)習(xí)網(wǎng)絡(luò)模型產(chǎn)生的過擬合影響遙感圖像目標(biāo)檢測精度的問題，提出了基于風(fēng)格遷移的數(shù)據(jù)增強(qiáng)方法，利用基于特征提取、激活函數(shù)以及損失函數(shù)改進(jìn)的循環(huán)ＧＡＮ（Ｃｙｃｌｅ ＧＡＮ）［２４］獲取新數(shù)據(jù)，改進(jìn)的模型采用了在不同層級的網(wǎng)絡(luò)之間添加特征擾動，將風(fēng)格損失加入了損失函數(shù)表征不同自然季節(jié)、環(huán)境等方法，相較于原Ｃｙｃｌｅ ＧＡＮ 加強(qiáng)了數(shù)據(jù)集之間的一致性控制，模型訓(xùn)練結(jié)果表明，將擴(kuò)充的數(shù)據(jù)集加入原始數(shù)據(jù)集后，目標(biāo)檢測和識別的準(zhǔn)確性得到了提高。王亦倩［２５］采用了深度ＧＡＮ與艦船三維模型電磁仿真信息結(jié)合的方法生成樣本進(jìn)行擴(kuò)充，擴(kuò)充的艦船雷達(dá)圖像比傳統(tǒng)方法擴(kuò)充的樣本質(zhì)量和多樣性均得到了明顯的提升，建立基于回歸的端到端的目標(biāo)檢測識別模型，提高了小樣本條件下模型的檢測識別準(zhǔn)確度和泛化能力。

在自然語言處理領(lǐng)域中，由于其離散抽象的特點(diǎn)，微小的差異即可影響最終的語意表達(dá)。而由于領(lǐng)域本身的獨(dú)特性，對專屬于小樣本命名實(shí)體識別的研究十分缺少。劉興麗等［２６］提出一種基于簡單數(shù)據(jù)增強(qiáng)（Ｅａｓｙ Ｄａｔａ Ａｕｇｍｅｎｔａｔｉｏｎ，ＥＤＡ）算法［２７］面向小樣本命名實(shí)體識別的數(shù)據(jù)增強(qiáng)多維改進(jìn)策略，即基于人工標(biāo)注的小樣本數(shù)據(jù)集、半自動化構(gòu)建的實(shí)體以及開源的武器信息實(shí)體集構(gòu)成的領(lǐng)域詞典進(jìn)行實(shí)體替換、詞性替換等，從根本上解決了樣本稀疏問題，最終驗(yàn)證單策略ＥＤＡ 改進(jìn)的提升效果顯著。

總而言之，數(shù)據(jù)集的真實(shí)分布通常情況下都是不可知的，數(shù)據(jù)增強(qiáng)的解決方案也只是對原始數(shù)據(jù)集的絕對近似，受限于模型實(shí)現(xiàn)的效果及樣本數(shù)據(jù)中的錯誤標(biāo)注信息等，有可能造成數(shù)據(jù)的負(fù)向偏移。但數(shù)據(jù)增強(qiáng)仍舊是小樣本條件下有效提升目標(biāo)識別分類效果的有效手段。

２．２基于遷移學(xué)習(xí)的小樣本目標(biāo)識別分類

遷移學(xué)習(xí)旨在將與新的領(lǐng)域（目標(biāo)域）具有相似規(guī)律可循的現(xiàn)有領(lǐng)域（源域）知識遷移至目標(biāo)域，同時輔助目標(biāo)域的學(xué)習(xí)任務(wù)。通常情況下，為了獲取性能優(yōu)異的學(xué)習(xí)模型，往往需要根據(jù)樣本標(biāo)簽數(shù)據(jù)的變化，重新建立模型、訓(xùn)練超參數(shù)，而基于小樣本的遷移學(xué)習(xí)思想恰好可以用來解決此類問題，如圖２所示。

胡安林［２８］基于特征遷移學(xué)習(xí)方法引入了一種采用競爭策略的自適應(yīng)微調(diào)網(wǎng)絡(luò)模塊，改進(jìn)了卷積神經(jīng)網(wǎng)絡(luò)ＶＧＧ-１６［２９］和ＧｏｏｇＬｅＮｅｔ［３０］并進(jìn)行預(yù)訓(xùn)練。隨后將預(yù)訓(xùn)練模型遷移到訓(xùn)練艦船目標(biāo)樣本數(shù)據(jù)的Ｆａｓｔｅｒ Ｒ-ＣＮＮ［３１］和ＹＯＬＯ［３２］網(wǎng)絡(luò)，解決了小樣本下艦船目標(biāo)檢測的過擬合和性能過低等問題，并通過實(shí)驗(yàn)驗(yàn)證了提出方法的有效性。郭繼光等［３３］提出了一種基于不同深度的神經(jīng)網(wǎng)絡(luò)模型和特征遷移學(xué)習(xí)的跨域小樣本目標(biāo)識別方法，基于成熟的深度學(xué)習(xí)模型獲取泛化能力較強(qiáng)的特征表達(dá)，通過提取真實(shí)樣本與擬合樣本的特征對源域和目標(biāo)域之間的關(guān)系進(jìn)行了描述，綜合了２ 種學(xué)習(xí)方法，利用ＣＡＴＩＡ 建模實(shí)驗(yàn)對模型進(jìn)行驗(yàn)證分析，對比了不同網(wǎng)絡(luò)結(jié)構(gòu)、數(shù)據(jù)特征，最終獲取了雙向長短記憶神經(jīng)網(wǎng)絡(luò)在小樣本彈道導(dǎo)彈目標(biāo)識別過程中具有較好的識別準(zhǔn)確率。王美玉等［３４］探索了一種基于遷移學(xué)習(xí)的小樣本條件下進(jìn)行電磁目標(biāo)精確識別的方法，其中包括同類目標(biāo)遷移和異類目標(biāo)遷移，在同類源樣本減少４／５的情況下，相較于非遷移模型識別率得到了有效提升；在異類源極少樣本的情況下，在保證識別率的同時提高了模型性能。領(lǐng)域業(yè)務(wù)數(shù)據(jù)爆炸式增長，文本大量存在并被使用，從其中自動化提取系統(tǒng)相關(guān)的關(guān)鍵信息并加以歸類成為一個亟待解決的問題。徐建等［３５］提出了一種基于領(lǐng)域遷移和任務(wù)遷移相結(jié)合的小樣本文本命名實(shí)體識別方法，且采用了基于實(shí)體替換和偽標(biāo)簽等數(shù)據(jù)增強(qiáng)方法，有效地提升了小樣本情況下模型對命名實(shí)體識別的準(zhǔn)確率。

遷移學(xué)習(xí)可以較好地提升網(wǎng)絡(luò)模型的泛化能力，實(shí)現(xiàn)訓(xùn)練過程中的參數(shù)和特征遷移，但極易丟失積累的經(jīng)驗(yàn)信息，造成嚴(yán)重的過擬合問題。同時，遷移學(xué)習(xí)受數(shù)據(jù)集復(fù)雜度的影響較大，普適性不足。

劉旗等［３７］提出了一種基于門控多尺度匹配網(wǎng)絡(luò)的小樣本合成孔徑雷達(dá)（Ｓｙｎｔｈｅｔｉｃ ＡｐｅｒｔｕｒｅＲａｄａｒ，ＳＡＲ）目標(biāo)識別方法，解決領(lǐng)域探測ＳＡＲ 圖像數(shù)量不足條件下準(zhǔn)確識別的問題，引入多尺度特征提取模塊以提取匹配網(wǎng)絡(luò)不同卷積層的多尺度特征，根據(jù)不同的識別任務(wù)，權(quán)重門控單元能夠賦予不同卷積層特征不同的權(quán)重，以任務(wù)為主導(dǎo)選擇最具代表性的目標(biāo)特征完成識別任務(wù)，識別準(zhǔn)確度和穩(wěn)定性都得到了提升。金璐等［３８］提出了一種基于關(guān)系網(wǎng)絡(luò)模型、多尺度特征融合方法及元學(xué)習(xí)訓(xùn)練策略結(jié)合的小樣本紅外空中目標(biāo)分類方法，利用構(gòu)造的多尺度特征提取模塊提取輸入樣本的特征信息，通過關(guān)系模塊計(jì)算支撐樣本集和預(yù)測樣本集的關(guān)系值，根據(jù)關(guān)系值輸出預(yù)測樣本的類別標(biāo)簽，該方法具有較好的分類效果，為小樣本空中目標(biāo)分類在電子偵察領(lǐng)域的應(yīng)用提供了一種途徑。孟浩等［３９］為解決船舶目標(biāo)樣本數(shù)量不均衡導(dǎo)致的過擬合問題提出了一種跨目標(biāo)通用全局注意力機(jī)制（ＧｌｏｂａｌＡｔｔｅｎｔｉｏｎ Ｍｅｃｈａｎｉｓｍ，ＧＡＭ）［４０］與關(guān)系度量網(wǎng)絡(luò)結(jié)合的目標(biāo)識別算法，通過關(guān)系網(wǎng)絡(luò)提取到樣本集的原始特征信息，利用全局注意力機(jī)制在支持集、查詢集的特征提取過程中減輕不均衡類別、樣本及特征的過擬合現(xiàn)象，隨后與原始特征信息融合進(jìn)行特征距離度量。該方法提升了目標(biāo)樣本特征分布比例，有利于減少假正樣本特征信息，提升了小樣本小標(biāo)簽情況下的船舶目標(biāo)識別精度。

度量學(xué)習(xí)原理簡單、訓(xùn)練開銷小，更容易實(shí)現(xiàn)增量式學(xué)習(xí)，即模型完成訓(xùn)練后無需從頭訓(xùn)練模型參數(shù)就可直接用于小樣本的新類別目標(biāo)檢測。雖然度量學(xué)習(xí)在小樣本目標(biāo)識別分類領(lǐng)域取得了一定的成果，但還存在著一些缺陷：① 對采集的樣本集的依賴性較高，受限于樣本集的復(fù)雜度，可能產(chǎn)生過擬合或不會學(xué)習(xí)對目標(biāo)識別分類有用的信息；② 未將噪聲干擾對小樣本目標(biāo)分類結(jié)果的影響考慮在內(nèi)；③ 采用全局特征度量樣本間的差異，對目標(biāo)類別分布表達(dá)不充分。

２.４數(shù)據(jù)集與實(shí)驗(yàn)

目標(biāo)識別領(lǐng)域中，常用基于標(biāo)準(zhǔn)數(shù)據(jù)集Ｏｍｉｇｌｏｔ、Ｍｉｎｉ-ＩｍａｇｅＮｅｔ 及Ｔｉｅｒｅｄ-ＩｍａｇｅＮｅｔ 等獲得的實(shí)驗(yàn)結(jié)果作為評估訓(xùn)練模型性能的指標(biāo)。

本文選取了一些應(yīng)用于目標(biāo)分類識別領(lǐng)域的典型模型在Ｏｍｉｇｌｏｔ 和Ｍｉｎｉ-ＩｍａｇｅＮｅｔ 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果進(jìn)行對比參考，如表３ 所示，此處采用了５-ｗａｙ１-ｓｈｏｔ 和５-ｗａｙ ５-ｓｈｏｔ 的實(shí)驗(yàn)結(jié)果（以準(zhǔn)確率百分比表示）。可以看出，２ 個數(shù)據(jù)集中５-ｓｈｏｔ 的識別精度均明顯高于１-ｓｈｏｔ，在Ｏｍｉｇｌｏｔ 數(shù)據(jù)集上，模型準(zhǔn)確率都較高，而在Ｍｉｎｉ-ＩｍａｇｅＮｅｔ 數(shù)據(jù)集上，模型最高準(zhǔn)確率僅可提升到７０％ ～ ８０％ ，因此可與其他網(wǎng)絡(luò)模型組合進(jìn)一步提高在該數(shù)據(jù)集上的分類識別準(zhǔn)確率。

３主要挑戰(zhàn)與未來發(fā)展

信息化的重要性是不可忽視的。現(xiàn)代信息技術(shù)的發(fā)展，能夠提供多元化的監(jiān)視、探測和信息跟蹤，能夠有效獲取地方戰(zhàn)場情報(bào)，洞察地方配置和戰(zhàn)略部署，為戰(zhàn)爭指揮者提供重要的信息參考，打破地方戰(zhàn)場盲區(qū)，運(yùn)用新型方式，以更小的戰(zhàn)爭成本取得勝利。

人工智能技術(shù)正在加速發(fā)展，快速準(zhǔn)確進(jìn)行目標(biāo)識別分類可能會深刻影響未來戰(zhàn)爭的制勝機(jī)理和方式。自二十世紀(jì)中期，國外目標(biāo)識別技術(shù)就已經(jīng)開始發(fā)展，相比于國外，我國開展相關(guān)技術(shù)研究的時間較晚，二十世紀(jì)八九十年代以后，隨著硬件條件的大跨步提升，國內(nèi)許多研究單位進(jìn)行了深入探索，深度學(xué)習(xí)被廣泛應(yīng)用于領(lǐng)域。但由于樣本數(shù)量少、識別模型精度高，基于小樣本的深度學(xué)習(xí)技術(shù)得到了迅速發(fā)展，主要應(yīng)用于高分辨雷達(dá)一維距離像、ＳＡＲ圖像目標(biāo)識別以及圖像處理等方面，對目標(biāo)識別準(zhǔn)確度與穩(wěn)定性帶來的提升進(jìn)行了有效驗(yàn)證。

但由于應(yīng)用場景的復(fù)雜性，目前仍處于算法仿真測試階段，還未與武器裝備、指揮控制系統(tǒng)等融合，所以仍舊面臨著許多挑戰(zhàn)：① 泛化能力相較于海量樣本集目標(biāo)識別分類性能有較大差距，目前還難以滿足實(shí)際應(yīng)用需求，不便于領(lǐng)域不同場景、分支的遷移應(yīng)用；② 現(xiàn)有的小樣本識別分類算法主要解決同域不同類或同類不同域的問題，目前還沒有解決不同類不同域的合適策略，海、陸、空三大類目標(biāo)識別分類各有獨(dú)特的技術(shù)難點(diǎn)，遷移成熟的模型解決復(fù)雜問題十分困難；③ 小樣本深度學(xué)習(xí)算法可解釋性較弱，在基于遷移學(xué)習(xí)的小樣本目標(biāo)識別分類模型中，特征、參數(shù)遷移的保留很難確定，尤其是復(fù)雜戰(zhàn)場環(huán)境下信息的高模糊性與欺騙性，導(dǎo)致識別分類過程難以理解；④ 基于小樣本的目標(biāo)識別分類算法的應(yīng)用目前還集中于艦船等遙感圖像目標(biāo)檢測識別方向。

通過對當(dāng)前基于小樣本深度學(xué)習(xí)的目標(biāo)識別分類應(yīng)用與研究進(jìn)展的梳理，可在以下方面展望：① 通過改善學(xué)習(xí)模型、研究輕量化的網(wǎng)絡(luò)模型，減少模型訓(xùn)練時間，降低對計(jì)算、存儲資源的消耗，進(jìn)一步提高模型的泛化能力和識別精度，盡可能滿足領(lǐng)域應(yīng)用高實(shí)時性的要求；② 為了更好地理解模型適合被遷移的特征和參數(shù)，探索提高模型在領(lǐng)域應(yīng)用可解釋性的方法；③ 聚焦于降低對樣本數(shù)據(jù)量的依賴實(shí)現(xiàn)高性能高精度的大規(guī)模小樣本算法，大規(guī)模小樣本學(xué)習(xí)任務(wù)主要解決海量類別的圖像分類，但每個類別僅包含極少量的樣本標(biāo)記數(shù)據(jù)；④ 可進(jìn)一步擴(kuò)展算法在領(lǐng)域內(nèi)命名實(shí)體分類、電磁目標(biāo)識別的應(yīng)用。

４結(jié)束語

本文主要對基于小樣本深度學(xué)習(xí)的目標(biāo)識別分類領(lǐng)域的應(yīng)用研究現(xiàn)狀做了詳細(xì)介紹，即基于數(shù)據(jù)增強(qiáng)、遷移學(xué)習(xí)和度量學(xué)習(xí)３ 種常用的提升小樣本目標(biāo)識別分類性能的算法，并闡述了３種算法的優(yōu)缺點(diǎn)。最后，提出了小樣本目標(biāo)識別分類在領(lǐng)域應(yīng)用仍舊面臨的一些挑戰(zhàn)和對未來研究方向的展望。本文指出了小樣本學(xué)習(xí)目前還未部署于系統(tǒng)、未與實(shí)際緊密結(jié)合，針對領(lǐng)域的特殊性，需要研究實(shí)時性更高的輕量化模型，為小樣本學(xué)習(xí)在領(lǐng)域的創(chuàng)新發(fā)展和實(shí)戰(zhàn)融合應(yīng)用提供了參考。雖然目前小樣本目標(biāo)識別分類算法的發(fā)展還處于初步階段，還未得到廣泛應(yīng)用，但隨著目標(biāo)識別分類的發(fā)展及小樣本應(yīng)用需求的日益增長，必然會廣泛推動學(xué)術(shù)成果的產(chǎn)生。

作者簡介

高靜 女，（１９９７—），碩士，助理工程師。

馮金順 男，（１９８１—），碩士，高級工程師。

董少然 男，（１９８５—），碩士，高級工程師。

郭新蒼 男，（１９７５—），碩士，高級工程師。

范爍晨 男，（１９９７—），碩士，助理工程師。

趙乾宏 男，（１９７６—），碩士，高級工程師。主要研究方向：通信及信號處理。

朱光耀 男，（１９９７—），碩士，助理工程師。

陳家良 男，（１９９１—），碩士，助理工程師。

馬胤篧 男，（１９９６—），碩士，助理工程師。