Pour résoudre les problèmes actuels des méthodes d’apprentissage par petits échantillons, tels que la suradaptation et la faible capacité de généralisation inter-domaines, inspirés par la caractéristique du calcul par réservoir qui ne dépend pas de l’entraînement et atténue la suradaptation, une méthode d’apprentissage par petits échantillons basée sur le calcul par réservoir (Reservoir Computing based Network for Few-shot Image Classification, RCFIC) a été proposée. La méthode entière est composée d’un module d’extraction de caractéristiques, d’un module d’amélioration des caractéristiques et d’un module de classificateur. Le module d’amélioration des caractéristiques comprend un module de réservoir et un mécanisme d’attention basé sur le réservoir, qui améliorent respectivement les caractéristiques du réseau d’extraction au niveau des canaux et au niveau des pixels, tout en combinant un classificateur cosinus pour inciter le réseau à apprendre une distribution des caractéristiques avec une grande variance inter-classes et une faible variance intra-classe. Les résultats expérimentaux montrent que l’algorithme proposé augmente la précision de classification d’au moins 1,07% par rapport aux méthodes existantes sur les ensembles de données Cifar-FS, FC100 et Mini-ImageNet, et dépasse la deuxième meilleure méthode de 1,77% dans le cadre d’un scénario inter-domaines allant de Mini-ImageNet à CUB-200. En outre, des expériences d’ablation confirment l’efficacité du RCFIC. La méthode proposée a une forte capacité de généralisation, peut efficacement atténuer le surapprentissage dans la classification d’images par petits échantillons et résoudre, dans une certaine mesure, le problème inter-domaines.

apprentissage par petits échantillons; calcul par réservoir; mécanisme d’attention; amélioration des caractéristiques; classification d’images