1. 研究目的与意义（文献综述）
在长期的探索实践中，人工智能正在不断的高速发展。在机器学习阶段，人工智能在复杂的问题上往往做的不是太好，而deeplearning的出现，基本解决了一对一映射的问题。比如图像分类，一个输入对应一个输出，因此出现了alexnet这样的里程碑式的成果。而在reinforcement learning出现后，之前单一深度学习解决不了的问题也得到了解决，序列决策取得了初步成效。在这一阶段，出现了apha go这样的里程碑式的成果。但新的问题又产生了。首先，基于深度增强学习的模型，不具有好的泛化能力，他们往往都是一个x到y的单一映射，只在解决某个问题上有非常好的效果，也就是专用的模型。而人类往往可以在解决一个问题后，举一反三。另一个问题是，这些模型往往都依赖非常庞大的数据。在现实生活中，有时候获得大量数据是不切实际的。如在医学，安全领域，标注数据量缺乏，获得标签数据的成本也巨大。又或者在图像识别领域，对于一些珍稀物种，如高鼻羚羊、旅鸽子等，能获得的标签样本往往是有限的。在这种情况下，深度学习算法并不能拟合出较好的模型。而人类往往只需要几张或者一张图片，就可以抓住其主要特征，并可以和别的东西进行分辨。比如对于高鼻羚羊，人类可以马上抓住其鼻子的特征。此外，庞大的数据所需要的算力也是一种成本[1-2]。
在深度学习面临着这种问题的局面下，研究者越来越意识到研究少样本学习的重要性。而本研究的主要目的也就是为了解决在少样本的环境下，图像的分类问题。目前少样本学习的解决方案有迁移学习和元学习方法。
迁移学习指利用与目标与相似的源域样本对模型进行预训练，希望学到的通用知识能迁移至目标场合使用。如将之前训练好的模型的权重偏置等参数迁移至新的神经网络，对其进行网络微调，而后只需要训练最后几层就行，节约了大量的时间和减少了数据量的需要[3]。近年来迁移学习方法也有得到几次创新。如long，ghifary和tzeng等人添加适应层促进元数据与秒数据分布趋于相似。tzeng等人引入任务迁移以充分利用同类别任务之间的相似性[2]。
2. 研究的基本内容与方案
(1) 基本内容：
本次毕业设计的基本内容是学习并熟练运用移动端深度学习平台tensorflowlite和android软件设计的相关知识，研究少样本图像分类的方法并实现一款少样本图像分类app。
3. 研究计划与安排
第1-4周：查阅相关中、英文文献资料，确定设计方案，完成开题报告以及完成不少于2万字符的英文翻译任务；
第5-6周：训练和优化模型，设计app，并编写代码；
第7-10周：完成少样本图像分类app的设计与调试,并撰写论文初稿；
4. 参考文献（12篇以上）
[1] 苏赋,吕沁,罗仁泽. 基于深度学习的图像分类研究综述[j].电信科学,2019,35(11):58-74.
[2] 郑欣悦. 基于深度学习的少样本图像分类方法[d]. 北京：中国科学院大学(中国科学院国家空间科学中心), 2019.
[3] 李新叶,龙慎鹏,朱婧.基于深度神经网络的少样本学习综述[j/ol].计算机应用研究,2019,37(8):1-8.
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
