Para abordar los problemas actuales de los métodos de aprendizaje con pocas muestras, como la facilidad para el sobreajuste y la falta de capacidad de generalización entre dominios, inspirado en la característica del cómputo en reservorio que no depende del entrenamiento y alivia el sobreajuste, se propuso un método de aprendizaje con pocas muestras basado en el cómputo en reservorio (Reservoir Computing based Network for Few-shot Image Classification, RCFIC). El método completo consta de un módulo de extracción de características, un módulo de mejora de características y un módulo clasificador. El módulo de mejora de características está compuesto por un módulo de reservorio y un mecanismo de atención basado en reservorio, que mejoran las características de la red de extracción a nivel de canal y a nivel de píxel, respectivamente, mientras que un clasificador cosenoide conjunto impulsa la red a aprender una distribución de características con alta varianza entre clases y baja varianza dentro de la clase. Los resultados experimentales muestran que el algoritmo propuesto tiene una precisión de clasificación al menos un 1,07% superior a los métodos existentes en los conjuntos de datos Cifar-FS, FC100 y Mini-ImageNet, y supera al segundo mejor método en un 1,77% en el escenario de dominio cruzado de Mini-ImageNet a CUB-200. Además, los experimentos de ablación validan la efectividad del RCFIC. El método propuesto tiene una fuerte capacidad de generalización, puede aliviar eficazmente el sobreajuste en la clasificación de imágenes con pocas muestras y resolver en cierta medida el problema de dominio cruzado.

aprendizaje con pocas muestras; cómputo en reservorio; mecanismo de atención; mejora de características; clasificación de imágenes