面向少样本图像分类的深度度量学习：近期进展综述
计算机视觉与模式识别
2022-06-28 v2 机器学习
摘要
少样本图像分类是一项具有挑战性的问题，旨在仅基于少量训练图像实现人类水平的识别。少样本图像分类的一个主要解决方案是深度度量学习。这些方法通过在由强大深度神经网络学习的嵌入空间中，根据未见样本到少量可见样本的距离对其进行分类，能够避免少样本图像分类中对少量训练图像的过拟合，并取得了最先进的性能。本文提供了 2018 至 2022 年面向少样本图像分类的深度度量学习方法的即时综述，并根据度量学习的三个阶段将其分为三组，即学习特征嵌入、学习类表示与学习距离度量。借助该分类体系，我们辨识了不同方法的创新点及其面临的问题。我们以对少样本图像分类当前挑战与未来趋势的讨论结束本综述。
引用
@article{arxiv.2105.08149,
title = {Deep Metric Learning for Few-Shot Image Classification: A Review of Recent Developments},
author = {Xiaoxu Li and Xiaochen Yang and Zhanyu Ma and Jing-Hao Xue},
journal= {arXiv preprint arXiv:2105.08149},
year = {2022}
}