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(lái)機(jī)器學(xué)習(xí)研究領(lǐng)域的熱點(diǎn)，旨在利用少量的有標(biāo)簽圖像空間源域數(shù)據(jù)訓(xùn)練一個(gè)可靠的模型對(duì)分布差異大的圖像目標(biāo)域數(shù)據(jù)進(jìn)行分類。概述了近年來(lái)主要的跨域圖像空間數(shù)據(jù)ＦＳＬ 模型，根據(jù)模型解決問(wèn)題的主要思想，將其分類為數(shù)據(jù)引入法、特征增強(qiáng)法、參數(shù)控制法以及混合法。將數(shù)據(jù)引入法細(xì)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(biāo)域數(shù)據(jù)；將特征增強(qiáng)法細(xì)分為特征轉(zhuǎn)換和特征融合；將混合法細(xì)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(diǎn)與不足。對(duì)當(dāng)前跨域圖像空間ＦＳＬ 常用的數(shù)據(jù)集、基準(zhǔn)進(jìn)行了詳細(xì)介紹，在主流基準(zhǔn)上對(duì)經(jīng)典模型的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比與分析。對(duì)當(dāng)前跨域圖像空間數(shù)據(jù)ＦＳＬ 面臨的挑戰(zhàn)進(jìn)行總結(jié)，指出未來(lái)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(qiáng)

中圖分類號(hào)：ＴＰ３９１． ４ 文獻(xiàn)標(biāo)志碼：Ａ

文章編號(hào)：１００３－３１０６（２０２４）１２－２８００－２０

０ 引言

隨著大數(shù)據(jù)時(shí)代的到來(lái)，深度學(xué)習(xí)模型已經(jīng)在圖像分類［１－２］、目標(biāo)檢測(cè)［３－４］、圖像合成［５－６］等計(jì)算機(jī)視覺(jué)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(biāo)記數(shù)據(jù)集。與此同時(shí)，現(xiàn)實(shí)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(biāo)注成本高，使得獲取大量標(biāo)記數(shù)據(jù)變得十分困難，嚴(yán)重限制了深度學(xué)習(xí)模型的應(yīng)用范圍并影響其進(jìn)一步發(fā)展。