1.1 目的及意义

随着社会的发展，尤其是数码相机、智能手机和监控摄像机等具备拍照或摄像功能的电子设备的大规模普及和应用，人们获取图像的方式越来越方便、快捷。因此网络上存储的图像数据越来越多，图像数据中存储的信息也越来越丰富，如何获取图像中的信息也变得越来越重要。人们对图像的检测和分类技术也提出了越来越高的要求。

近年来,针对大规模图像数据集上的图像分类一直是研究的热点。因为图像分类是一个基础性的工作，它的应用非常广泛，不仅应用在图像分类管理和信息提取方面，还应用于目标识别、人脸识别、图像检索等方面，并且在其他研究领域有重要的价值和意义。

深度学习作为机器学习的大趋势,被广泛地应用到各个领域中,尤其在图像分类识别方面,展现出明显的优势,引发了学习热潮。深度学习模型基于人脑的分层结构,通过训练机制达到参数自动调整的目的,使得一些复杂的任务可以通过深度学习技术进行简化或实现。与传统的浅层网络模型相比,它的多层网络结构能够更加有效地表达复杂函数,从而学习到表征能力更强的特征,将深度学习应用到图像的分类中,可以有效地提高分类的精度。

然而，深度学习模型在实际应用中仍然面临着严峻的挑战：深度学习模型需要大量的带标签数据和迭代次数来训练他们的大量参数。因为深度学习能够在近年取得爆炸式发展的关键，除了算法的改进与创新，更关键的是拥有海量的数据和强大的计算资源。而现实生活中有很多问题并没有那么多的数据可以采集，或者说采集数据的成本很高，比如稀有物种的图片，医疗诊断的图片等。它将面临的问题是：

（1）训练过程中有从未见过的新类，并且每类只有少数几个样本；

（2）不改变已经训练好的模型。

由于注释成本，这严重限制了他们对于新类的可扩展性，也更根本的限制了他们对于新兴的或者罕见的类别的实用性。相比较，人类非常善于通过极少的直接观察来识别物体，即小样本学习。受到了人类小样本学习的启发，小样本学习也获得了关注，成为了近年来深度学习领域非常重要的一个前沿研究问题。