Para resolver os problemas atuais dos métodos de aprendizagem com poucas amostras, como o sobreajuste e a fraca capacidade de generalização entre domínios, inspirado na característica do cálculo em reservatório que não depende do treinamento e alivia o sobreajuste, foi proposto um método de aprendizagem com poucas amostras baseado em cálculo em reservatório (Reservoir Computing based Network for Few-shot Image Classification, RCFIC). O método completo é composto por um módulo de extração de características, um módulo de aprimoramento de características e um módulo classificador. O módulo de aprimoramento de características é composto pelo módulo de reservatório e pelo mecanismo de atenção baseado no reservatório, que aprimoram as características da rede de extração em nível de canal e de pixel, respectivamente, enquanto um classificador cosseno conjunto incentiva a rede a aprender uma distribuição de características com alta variância entre classes e baixa variância dentro da classe. Os resultados experimentais mostram que o algoritmo proposto tem precisão de classificação pelo menos 1,07% maior que os métodos existentes nos conjuntos de dados Cifar-FS, FC100 e Mini-ImageNet, e supera o segundo melhor método em 1,77% no cenário de domínio cruzado de Mini-ImageNet para CUB-200. Além disso, experimentos de ablação validam a eficácia do RCFIC. O método proposto possui forte capacidade de generalização, podendo aliviar efetivamente o problema de sobreajuste na classificação de imagens com poucas amostras e resolver, até certo ponto, problemas de domínio cruzado.

aprendizagem com poucas amostras; cálculo em reservatório; mecanismo de atenção; aprimoramento de características; classificação de imagens