摘 要：跨域圖像空間數(shù)據(jù)少樣本學(xué)習(xí)（ＦｅｗＳｈｏｔ Ｌｅａｒｎｉｎｇ，ＦＳＬ） 是近年來機器學(xué)習(xí)研究領(lǐng)域的熱點，旨在利用少量的有標簽圖像空間源域數(shù)據(jù)訓(xùn)練一個可靠的模型對分布差異大的圖像目標域數(shù)據(jù)進行分類。概述了近年來主要的跨域圖像空間數(shù)據(jù)ＦＳＬ 模型，根據(jù)模型解決問題的主要思想，將其分類為數(shù)據(jù)引入法、特征增強法、參數(shù)控制法以及混合法。將數(shù)據(jù)引入法細分為基于單源域數(shù)據(jù)、基于多源域數(shù)據(jù)和基于目標域數(shù)據(jù)；將特征增強法細分為特征轉(zhuǎn)換和特征融合；將混合法細分為不同方法的結(jié)合使用和不同類型損失函數(shù)的結(jié)合使用，并總結(jié)了不同方法的原理、優(yōu)點與不足。對當前跨域圖像空間ＦＳＬ 常用的數(shù)據(jù)集、基準進行了詳細介紹，在主流基準上對經(jīng)典模型的實驗結(jié)果進行對比與分析。對當前跨域圖像空間數(shù)據(jù)ＦＳＬ 面臨的挑戰(zhàn)進行總結(jié)，指出未來可能的發(fā)展方向。

關(guān)鍵詞：少樣本學(xué)習(xí)；跨域少樣本學(xué)習(xí)；圖像空間；特征增強

中圖分類號：ＴＰ３９１． ４ 文獻標志碼：Ａ

文章編號：１００３－３１０６（２０２４）１２－２８００－２０

０ 引言

隨著大數(shù)據(jù)時代的到來，深度學(xué)習(xí)模型已經(jīng)在圖像分類［１－２］、目標檢測［３－４］、圖像合成［５－６］等計算機視覺任務(wù)方面取得了令人矚目的成果并得到了廣泛應(yīng)用。但深度學(xué)習(xí)模型的成功很大程度上依賴于大規(guī)模的標記數(shù)據(jù)集。與此同時，現(xiàn)實生活中有許多特殊領(lǐng)域，如新型病毒、稀有物種、軍事應(yīng)用等，由于數(shù)據(jù)本身有限，再加上標注成本高，使得獲取大量標記數(shù)據(jù)變得十分困難，嚴重限制了深度學(xué)習(xí)模型的應(yīng)用范圍并影響其進一步發(fā)展。