Um die derzeitigen Probleme der Few-Shot-Lernmethoden wie Überanpassung und mangelnde domänenübergreifende Generalisierungsfähigkeit zu adressieren, wurde inspiriert von der Eigenschaft der Reservoir-Computing, die unabhängig vom Training ist und Überanpassung mindert, eine Few-Shot-Lernmethode basierend auf Reservoir-Computing (Reservoir Computing based Network for Few-shot Image Classification, RCFIC) vorgeschlagen. Die gesamte Methode besteht aus einem Merkmalsextraktionsmodul, einem Merkmalserweiterungsmodul und einem Klassifikationsmodul. Das Merkmalserweiterungsmodul besteht aus einem Reservoir-Modul und einem auf dem Reservoir basierenden Aufmerksamkeitsmechanismus, die die Merkmale des Extraktionsnetzwerks auf Kanal- und Pixelebene verstärken, während gemeinsam ein Cosinus-Klassifikator das Netzwerk dazu anregt, eine Merkmalsverteilung mit hoher Interklassenvarianz und niedriger Intraklassenvarianz zu lernen. Die experimentellen Ergebnisse zeigen, dass der vorgeschlagene Algorithmus eine mindestens um 1,07 % höhere Klassifikationsgenauigkeit als bestehende Methoden auf den Datensätzen Cifar-FS, FC100 und Mini-ImageNet erreicht und im domänenübergreifenden Szenario von Mini-ImageNet zu CUB-200 die Klassifikationsgenauigkeit den zweitbesten Ansatz um 1,77 % übertrifft. Zusätzlich bestätigen Ablationsstudien die Wirksamkeit von RCFIC. Die vorgeschlagene Methode besitzt eine starke Generalisierungsfähigkeit, kann Überanpassung im Few-Shot-Bildklassifikationsproblem effektiv mindern und in gewissem Maße domänenübergreifende Probleme lösen.

Few-Shot-Lernen; Reservoir-Computing; Aufmerksamkeitsmechanismus; Merkmalserweiterung; Bildklassifizierung