基于孪生变分自编码器的小样本图像分类方法

王德文，魏波涛

（华北电力大学 控制与计算机工程学院，河北 保定 071000）

大量的图像样本数据和强大的计算资源，使得深度学习在图像处理领域有着广阔的应用前景。深度学习从大量的样本中学习样本的特征分布，然后经过多次迭代优化各层权重，最后通过分类器实现图像分类[1-3]。但是在一些特殊或者难以复现的场景中，难以获得足够的样本[4]。由于样本数量很少，使用深层神经网络往往会导致过拟合的现象出现，减少网络层数则会影响特征提取，导致分类正确率下降[5]。小样本图像分类现在仍是深度学习中一个重要的研究问题[6]。

小样本学习问题由李飞飞等[7]于2006年提出，使用贝叶斯的方法在一个或少数几个图像学习问题中成功提取出了信息模型。文献[8]于2015年提出分层贝叶斯模型，该模型能从少量样本中完成计算任务，并且达到了相当于人类水平的识别率。随后迁移学习的提出给小样本学习带来了新的处理方法[9]。文献[10]提出一种基于堆栈降噪自编码与支持向量回归机的混合模型，在相似源域大数据上预训练混合模型借助对该知识的迁移，在目标域微调该混合模型，从而提升支持向量回归机在小样本噪声数据上的学习预测精度。

目前对于小样本图像分类问题，主要有增加样本数量和根据问题选择特定算法两种方式[11-12]。最初的样本数量增强技术，例如原始样本的旋转、翻转和增加对比度等方法，在一定程度上解决了样本的数量问题，但是往往因为相似度过大，产生过拟合现象。……