深度学习是机器学习领域中非常受欢迎的研究课题，并且在过去几年中已经开发出各种深度学习模型。基于深度模型的少样本学习也是近年来研究的热点，用于少样本学习最典型的深度学习模型包括卷积神经网络（CNN）和循环神经网络（RNN），它们也是使用最广泛的深度模型，在少样本学习中使用的大多数深度模型都是这两种模型的变体。少样本学习的主要挑战是如何从少数几个例子中理解新概念。受人类识别物体能力的启发，学会学习或终身学习的研究领域引起了越来越多的关注，特别是在一些例子中，独特的人类学习新概念的能力激发了对少样本学习的研究。本文的主要目的是对基于深度神经网络的少样本学习进行全面的研究，重点分析所采用的典型策略。本文将现有的基于深度神经网络的少样本学习方法分为四类，即基于数据增强的方法、基于转移学习的方法、基于深度量学习的方法和基于元学习的方法。这四个类别的最新研究将分开讨论，应该强调的是这四个类别之间没有明确的界限，对于每个类别，本文进一步将其分类为几个子类别，并对每种方法进行具体分析。

二、毕业设计（论文）的技术参数（研究内容）
本课题从现有的深度神经网少样本学习方法出发，探索使用深度神经网少样本学习方法的效果。最后针对基于深度神经网络的少样本学习方法，提出将其分为数据增强方法、迁移学习方法、度量学习方法和元学习方法四种类别；对于每个类别，进一步将其分为几个子类别，并且在每个类别与方法之间进行一系列比较，以显示各种方法的优劣和各自的特点。最后强调了现有方法的局限性，并指出了少样本学习研究领域未来的研究方向。

三、毕业设计（论文）应完成的具体工作
（1） 查阅文献；
（2） 撰写开题报告；
（3） 文献分析和方案设计；
（4） 实现深度神经网少样本学习；
（5） 尝试使用深度神经网少样本学习方法；
（6） 尝试融合迁移学习方法和元学习方法；
（7） 实验数据结果分析；
（8） 论文撰写和答辩；

应收集的资料及主要参考文献
[1] 深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[2] 应用于个性化推荐的web日志挖掘聚类算法研究[A]. 邹丽霞,薛海燕.Proceedings of 2010 The 3rd International Conference on Computational Intelligence and Industrial Application（Volume 6）[C]. 2010
[3] 基于特征联合概率分布和实例的迁移学习算法[J]. 赵鹏,吴国琴,刘慧婷,姚晟.  模式识别与人工智能. 2016(08)
[4]一种异构直推式迁移学习算法[J]. 杨柳,景丽萍,于剑.  软件学报. 2015(11)
[5]深度学习相关研究综述[J]. 张军阳,王慧丽,郭阳,扈啸.  计算机应用研究. 2018(07)
[6]一种基于深度网络的少样本学习方法[J]. 余游,冯林,王格格,徐其凤.  小型微型计算机系统. 2019(11)
[7]