云南民族大学学报（自然科学版），２０２３，３２（４）：４７３－４７９ＣＮ５３－１１９２／ＮＩＳＳＮ１６７２－８５１３ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７２－８５１３．２０２３．０４．０１０ｈｔｔｐ：／／ｙｎｍｚｃｂｐｔｃｎｋｉｎｅｔ收稿日期：２０２２－０６－２２．作者简介：白梦茹（１９９８－），女，硕士研究生．主要研究方向为小样本学习．通信作者：佘玉梅（１９６５－），女，教授，硕士生导师．主要研究方向为智能计算．基于改进ＤＮ４的小样本图像分类研究白梦茹，佘玉梅，赵蕊，胡家虎（云南民族大学数学与计算机科学学院，云南昆明６５０５００）摘要：小样本数据的特征信息不充足，缺乏对总体的代表性，导致ＤＮ４此类与数据相关的算法准确率下降．针对ＤＮ４存在的局部特征混淆问题，根据人脑的视觉认知机制，提出了类内共有局部特征模块嵌入到ＤＮ４中，提取每类样本中更具有代表性的局部特征，排除冗余因素的干扰，有效地学习样本特征．实验表明：在Ｍｉｎｉ－ＩｍａｇｅＮｅｔ、ＣＵＢ２００、ＳｔａｎｆｏｒｄＤｏｇｓ、ＳｔａｎｆｏｒｄＣａｒｓ数据集上，该方法在５－ｗａｙ１－ｓｈｏｔ任务上准确率分别提高了１４４％、７９８％、９２％、１２９％，５－ｗａｙ５－ｓｈｏｔ任务上准确率分别提高了００８％、２５８％、９３６％、００６％．因此，改进的ＤＮ４算法整体性能优于原始的ＤＮ４算法．关键词：小样本学习；ＤＮ４；图像分类；类内共有局部特征中图分类号：ＴＰ３９１４文献标志码：Ａ文章编号：１６７２－８５１３（２０２３）０４－０４７３－０７随着大数据和人工智能的快速发展，深度学习［１］被广泛应用于众多领域．２０１２年ＩＬＳＶＲＣ挑战赛上基于卷积神经网络（ｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ，ＣＮＮ）的深度学习方法取得了巨大成功．与传统图像分类算法相比，深度学习可以把图像的像素信息直接输入到卷积神经网络进行特征提取和高层抽象，从而最大程度保留输入图像的信息，最后模型直接输出图像识别的结果．这种端到端的学习方法大幅提升了图像分类等任务的性能．但这些深度学习方法成功的关键之一是大规模数据集（如ＩｍａｇｅＮｅｔ［２］）．当数据集规模小时，深度学习方法的弊端就突显出来了．而人类能够在只获取少量样本的情况下，对样本进行分类和识别，这就是深度学习和人类学习之间的差距．在多数场景下，由于隐私、...
