摘要
近年来，随着深度学习技术的飞速发展，其在各个领域都取得了显著的进展。传
统的深度学习方法需要大量有标记的数据来训练模型，然而，获取大规模有标记的数
据是一项十分耗时、耗力和昂贵的任务。因此，如何在少量标记数据的情况下让模型
具备良好的泛化能力成为了迫切需要解决的问题。小样本学习作为解决这一问题的
研究热点备受关注，小样本学习可以识别新类别，而图像分类则是小样本学习的一个
重要方向。为了解决小样本图像分类中数据缺乏的问题，数据增强技术成为了最直接
而简明的途径。本文重点研究基于数据增强的小样本图像分类方法，具体研究内容包
括以下几点：
第一，针对小样本图像分类中样本缺乏的问题，从图像变换以扩充数据的角度出
发，提出一种基于图像变换和通道空间注意力的小样本图像分类方法。首先，通过结
合随机裁剪与随机擦除方式对图像进行变换，从而扩充数据以提升模型的泛化性能。
其次，为了解决数据增强过程中可能引入的背景噪声问题，进一步引入通道空间注意
力模块，该模块从通道和空间维度分别为输入特征进行评分，并根据这些评分对特征
添加权重，以突出对分类任务有显著影响的特征，从而减少对噪声的敏感性，提高分
类精度和模型的稳健性。最后，在miniImageNet、tieredImageNet、FC100、CUB和
Cifar-fs数据集上设计实验，该方法与一些典型的分类模型方法相比，分类准确率有
所提高。
第二，针对小样本图像分类中生成特征无法充分表示样本的判别性和多样性的
问题，从生成高质量特征的角度出发，提出一种基于深度特征生成的小样本图像分类
模型。首先，该模型利用条件Wasserstein生成对抗网络生成特征。其次，为了保证
生成特征可以充分表示样本的判别性和多样性，提出分类正则化和多样性正则化方
法来提高生成特征的质量。分类正则化方法可以帮助模型更好地划分类别之间的边
界，使得生成的特征更具有判别性。多样性正则化方法可以保证生成的特征具有一定
的类内相似性但不完全相同，使得生成的特征更具有多样性，从而提高模型的泛化能
力。此外，将属性信息加入模型，从而可以增加不同类别之间的距离，使得生成的特
征更具有判别性。最后，在miniImageNet、CUB和Cifar-fs数据集上设计实验，该模
型取得了较好的分类效果。
第三，设计并完成一个小样本学习图像分类系统，该系统共设计四个功能模块，
I
包括小样本学习介绍模块、数据集的介绍模块、任务参数选择模块和任务执行模块，
并将典型的小样本学习模型与本文的两个模型集成到小样本学习图像分类系统中。
最后，通过图像的分类预测验证该系统的有效性和适用性。
关键词：图像分类；小样本学习；数据增强；注意力机制；生成对抗网络
II
ABSTRACT
Inrecentyears,deeplearningtechnologyhasmadesignificantprogressinvarious
fields.However,traditionaldeeplearningmethodsheavilyrelyonlargeamountoflabeled
dataformodeltraining,whichisatime-consuming,labor-intensiveandexpensivetask.
Therefore,thepressingchallengeliesindevelopingmodelswithrobustgeneralization
capabilitiesinthepresenceoflimitedlabeleddata.Asaresearchhotspottosolvethis
problem,few-shotlearninghasattractedmuchattention.Few-shotlearningcanidentifynew
categori