Deep learning 基于小样本集的摄像机图像识别

我需要在视觉上识别一些展示给相机的平面照片。虽然数量不多（可能有30个），但歧视可能取决于细节。输入可能部分被遮挡或遮挡，可能会导致照明变化。 这些示例需要是可更新的

有许多现有的目标检测框架，其中最可靠的框架依赖于深度学习方法（主要是卷积网络）。然而，预先训练的模型并没有很好地优化以识别平面图像，当然，即使我从零开始训练，更新系统以获得新样本也需要一个繁琐的训练过程，如果我对其工作原理的认识正确的话

是否可以在保持样本库灵活性的同时使用深度学习

---

是否有其他众所周知的可靠方法从小样本集中检测图像？

使用转移学习；你仍然需要建立一个训练集，但是你会得到比随机权重更好的结果。试着找一个和你相似的模型。您还可以使用策划的图像对所选模型进行一些黑盒测试，以确定其对图像的响应曲线基线。

可以使用训练有素的网络进行视觉分类，如Inception或SqueezeNet，最后一层切片，并添加简单的统计算法（例如k-最近邻）这可以由样本以非迭代的方式直接教授

大多数与分类相关的计算（如照明和方向不敏感度）都已经由预先训练的网络处理，而网络的输出保留了足够的信息，以便统计算法决定图像类别

---

这里显示了一个使用k-最近邻的实现：，源代码托管在这里：。

这仍然需要一个学习过程来更改示例？我想保留样本作为某种输入，可以立即更改。