摘要
在交通标志识别任务中，通过观察合成参考图像来识别道路标志是一种类人能力，可由少样本学习（one-shot learning）算法实现。少样本物体识别是深度神经网络面临的一项挑战性任务，其核心在于利用支持样本（support images）对查询样本（query examples）进行分类。当支持样本与查询样本之间存在域偏移（domain shift）时，该任务的难度进一步增加。此外，深度模型在分布不同的未知域上实现泛化，同样是少样本识别中的关键难题。本文提出了一种名为SeqNet的新型深度网络，以有效应对上述挑战。据我们所知，该方法在少样本交通标志识别与少样本商标识别任务中，性能全面超越现有最先进模型，取得了显著提升。所提出的SeqNet模型能够在未见域上实现良好泛化，且无需在测试数据上进行额外的模型微调。此外，本文还展示了如何利用来自无关但规模庞大的源域的迁移知识，有效减少网络参数量，从而实现模型尺寸的压缩。通过充分利用大规模深度模型所蕴含的迁移知识，SeqNet的参数量相比同类模型减少了约6倍，显著缩小了模型规模。这一更紧凑的架构使SeqNet能够广泛应用于资源受限的设备，如智能车载系统等实际场景。实验结果表明，所提出的SeqNet在各项任务中均表现出显著优势：在少样本分类任务中，准确率最高提升达20%；在图像检索任务中，曲线下面积（AUC）最高提升达30%。