基于深度学习的小样本分类识别方案总结_小量数据做分类识别

  大家好，我是herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于机器学习算法研究与应用。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。拥有多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。

  本文主要介绍了基于深度学习的小样本分类识别方案总结，希望能对同学们有所帮助。

1. 方案一

1.1 算法方案解析

1.1.1 赛题理解

基于深度学习的小样本分类识别任务

说明与要求：

1. 训练集、验证集、支持集三者的类别均不相同，查询集与支持集类别空间相同;
2. 支持集不能用于训练，即只能使用归纳式学习( inductive learning) ;
3. 复赛与初赛相比, shot数量更少，难度更大，且分辨率更低，人眼都难以看请

1.1.2 模型选择：尽量使用与数据匹配的SOTA模型

首先从Few-Shot Classification Leaderboard的榜(https://fewshot.org/miniimagenet.html)中查找接近SOTA且有源码的小样本图像识别模型。包括：