基于元学习的图像小样本分类任务书
2020-02-20 08:02
1. 毕业设计（论文）主要内容：
深度学习模型在视觉识别任务中取得了巨大成功。然而，这些监督学习模型需要大量标记数据和许多迭代来训练其大量参数。但是对于人而言，在识别物体的时候，仅需要少量的图像，就能根据以往的知识实现对物体的识别，这是因为人类有先验知识，我们可以根据以往的经验进行学习。
本次设计就是利用关系网络，通过对比来实现元学习。由于人眼在识别图像时是通过比较图像与图像之间的特征来实现识别的。具体而言，本文拟利用一种双分支关系网络（RelationalNetwork），通过学习将查询样本图像与少数标记的样本图像进行比较来实现小样本识别。模型分为两个模块，首先，嵌入模块生成查询图像和训练图像的特征表示，然后通过关系模块比较这些嵌入，确定它们是否来自匹配的类别。
2. 毕业设计（论文）主要任务及要求
1. 针对数据集不平衡的现实情况，利用概率统计方法，合理设置训练集和测试集分组；
2. 嵌入模块：熟悉图像处理中的常用特征及其提取算法，如hog,hog-lbp, sift等，针对本文研究的对象，选取适当的特征选择方法；
3. 关系模块：熟悉常见的距离度量方法，例如欧式距离，余弦距离，马哈拉诺比斯度量矩阵方法等，基于现有的距离度量方法，提出本文的距离度量改进策略。
3. 毕业设计（论文）完成任务的计划与安排
| 时间节点 | 拟完成内容 |
| 2019年1月19日-2019年2月20日 | 国内外研究现状调研 |
| 2019年2月21日-2019年3月15日 | 嵌入模块设计 |
| 2019年3月16日-2019年4月10日 | 关系模块设计 |
| 2019年4月11日-2019年4月30日 | 整体调试及实验分析 |
| 2019年5月1日-2019年5月20日 | 论文的迭代修改 |
| 2019年5月21-2019年6月 | 答辩准备 |
4. 主要参考文献
[1]c. finn, p. abbeel, and s. levine. model-agnostic metalearning for fastadaptation of deep networks. in icml,2017. 1, 2, 4, 5, 6
[2]g. koch, r. zemel, and r. salakhutdinov. siamese neural networks for one-shotimage recognition. in icml workshop, 2015. 1, 2, 4, 6
[3]s. ravi and h. larochelle. optimization as a model for fewshot learning. iniclr, 2017. 1, 2, 4, 5, 6
