1. 研究目的与意义、国内外研究现状（文献综述）

1研究背景与意义

随着互联网时代的飞速发展，图片成为互联网信息的主要载体，因此，为了对图像中的信息进行提取与利用，图像处理的相关研究具有很强的现实意义以及应用前景。在机器学习高速发展的当下，作为其中重要的分支领域——深度学习，在图像自然语言乃至语音的处理和识别方面，都取得了丰硕的成果。凭借深度学习模型强大的学习能力与模型调整的方便性^[1]，目前基于深度学习的图像处理方法，已经是该领域的主流方法。

然而，这些具有着强大性能的模型，大多数依赖于具有大量样本量以及丰富的类别的数据集的训练过程，这意味着数据的采集与标注均要耗费大量的时间和精力，对于一些数据采集较为困难的事物（如濒危物种）而言，这些模型受到了极大的限制^[2]。反观人类对于事物的判别过程，仅通过观察一幅或几幅图像，我们便可以对此前未曾见过的事物进行识别。因此，研究者们通过探索人类对于新事物的判别机制，开发了小样本分类（few-shotclassification）技术。

小样本图像分类是一种新兴的深度学习图像分类技术，其采用元学习（meta-learning）的方式，仅通过数张样本图像进行训练，便可掌握新类别（novel class）事物的分类方法，大大降低了网络训练时的成本和复杂度。虽然该方法被应用于图像分类问题仅几年时间，但由于其具备大部分深度学习方法所不具备的便捷性，其发展速度很快，研究者们也已经开发出多种具体的网络模型结构。

2. 研究的基本内容和问题

1研究目标

1)采用多种few-shot网络模型，对鱼类数据集进行品种分类测试

2)比对各few-shot模型对于鱼类种类识别的效果，确定效果最好的模型

3)使用django设计一个鱼类品种识别网络平台

3. 研究的方法与方案

1研究方法

1)通过网络教程或图书，学习few-shot图像分类的原理

2)查阅相关文献及资料，搜集整理鱼类图像数据集，学习用于few-shot图像分类的各种网络模型结构

3)实现代码并测试，比对各模型在鱼类图像数据集分类方面的效果

4. 研究创新点

1）将few-shot方法用于鱼类种类鉴别，具有创新性

2）设计一个通过图像来进行鱼类品种识别的网络平台，具有实用性

5. 研究计划与进展

2019年12月20日-2020年01月06日：选定毕业设计题目，撰写开题报告以及ppt，准备开题答辩；

2020年01月07日-01月15日：上网查找资料，学习小样本图像分类相关知识，搭建开发环境；

2020年01月16日-01月31日：各few-shot模型的代码实现；