摘要：如何將帶有大量標記數(shù)據(jù)的源域知識模型遷移至帶有少量標記數(shù)據(jù)的目標域是少樣本學(xué)習(xí)研究領(lǐng)域的熱點問題.針對現(xiàn)有的少樣本學(xué)習(xí)算法在源域數(shù)據(jù)與目標域數(shù)據(jù)的特征分布差異較大時存在的泛化能力較弱的問題,提出一種基于偽標簽的半監(jiān)督少樣本學(xué)習(xí)模型FSLSS(Few-Shot Learning based on Semi-Supervised).首先,利用pytorch深度學(xué)習(xí)框架建立一個關(guān)系型深度學(xué)習(xí)網(wǎng)絡(luò),并使用源域數(shù)據(jù)對網(wǎng)絡(luò)進行預(yù)訓(xùn)練;然后,使用此網(wǎng)絡(luò)對目標域數(shù)據(jù)進行分類預(yù)測,將分類概率最大的類標簽作為數(shù)據(jù)的偽標簽;最后,利用目標域的偽標簽數(shù)據(jù)和源域的真實標簽數(shù)據(jù)對網(wǎng)絡(luò)進行混合訓(xùn)練,并重復(fù)偽標簽標記與混合訓(xùn)練過程.實驗結(jié)果表明,相對于現(xiàn)有主流少樣本學(xué)習(xí)算法,FSLSS模型有更好的泛化能力及知識遷移效果.
注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社
