前言

小样本主要用于训练样本的不足或者分布不均匀而造成的某些类别的训练数据较少的情况。在图像分类中，小样本问题是常见问题，因为通过传统的机器学习方法，应对这些样本不足的类别时，识别的效果难以满足实际要求。在图像分类等实际应用中，小样本问题同样是一个难题。本书针对图像分类小样本问题，研究在不同情况下的解决方法。

本书在图像分类领域，针对两类4种不同的小样本问题进行了研究，做出了以下4点贡献：本书第2、3章针对单源数据的情况下，挖掘数据中的语义知识，提高模型的泛化能力，从而提高模型的分类正确率。其中第2章是提出基于潜在语义的单源小样本图像分类方法应对单个数据库中的小样本问题；第3章提出了基于模糊语义的零样本图像分类方法应对单个数据库中的零样本问题。本书第4、5章针对多源数据情况下，通过语义计算，在满足特定条件的前提下，吸取其他数据源的知识，以提高模型的泛化能力，最终提高模型的分类正确率。其中第4章提出了基于语义树融合的多源小样本图像分类方法应对多数据源的小样本问题；第5章提出了基于弱语义计算的多源小样本图像分类应对网络环境中的小样本问题。

本书为图像分类中的小样本问题提供了4个模型，用以针对不同情况下的小样本问题。4个模型又针对4种不同情况的特点出发，通过对不同关系的语义计算，提高模型的分类识别效果，并且在实验中可以看出本书提出的模型相对于现有的模型不但性能有所提升，而且能应对具体情况中的特殊问题，如隐私保护等。

本书由重庆工商大学刘崇文和秦华锋共同撰写完成。其中，第1章和第6章由秦华锋撰写，第2~5章由刘崇文撰写，全书由刘崇文负责统稿。

鉴于作者水平有限，书中难免存有不当之处，敬请广大读者赐教。

著者
2020年7月