摘要

目标识别需要具备良好的泛化能力，以避免过拟合，尤其是在样本数量极为有限的情况下。从少量样本中实现泛化，通常在元学习（meta-learning）的框架下进行研究，这种能力使学习算法能够在动态环境中快速适应，是实现持续学习（life-long learning）的关键要素之一。本文提出一种面向少样本学习（few-shot learning）的框架，通过引入基于少量样本构建的动态分类器实现该目标。该动态分类器的核心模块采用子空间方法。实验结果表明，该建模方式对扰动（如异常值）具有较强的鲁棒性，并在监督式与半监督式少样本分类任务中取得了具有竞争力的性能表现。此外，我们还进一步提出一种判别性形式，可进一步提升分类准确率。相关代码已开源，地址为：https://github.com/chrysts/dsn_fewshot。