Для решения таких проблем современных методов обучения с малым количеством образцов, как склонность к переобучению и недостаточная генерализация в кросс-доменных задачах, вдохновляясь особенностью вычислений в резервуарных сетях, не зависящих от обучения и снижающих переобучение, была предложена методика обучения с малым количеством образцов на основе вычислений в резервуаре (Reservoir Computing based Network for Few-shot Image Classification, RCFIC). Вся методика состоит из модуля извлечения признаков, модуля усиления признаков и модуля классификатора. Модуль усиления признаков включает в себя модуль резервуара и механизм внимания на основе резервуара, которые соответственно усиливают признаки сети извлечения признаков на уровне каналов и на уровне пикселей, одновременно совместно с косинусным классификатором способствуя обучению сети характеристикам распределения признаков с высокой межклассовой дисперсией и низкой внутриклассовой дисперсией. Результаты экспериментов показывают, что предложанный алгоритм имеет точность классификации как минимум на 1.07% выше существующих методов на датасетах Cifar-FS, FC100 и Mini-ImageNet, а также превосходит следующий по качеству метод на 1.77% в задаче кросс-доменного обучения с Mini-ImageNet на CUB-200. Кроме того, абляционные эксперименты подтверждают эффективность метода RCFIC. Предложенный метод обладает высокой обобщающей способностью, способен эффективно уменьшать переобучение в задачах классификации изображений с малым количеством образцов и в определённой мере решать задачи кросс-доменных сценариев.

обучение с малым количеством образцов; вычисления в резервуаре; механизм внимания; усиление признаков; классификация изображений