针对环境感知与智能检测中普遍存在的样本数据获取困难，有效样本少，样本类别和数量不平衡等问题，设计了面向少样本的数据特征提取与识别方法。首先，提出了一种基于混合注意力机制的通用神经网络模块对传统的深度神经网络进行优化，通过模块的堆叠设计出的数据特征提取与识别网络在不明显增加网络计算量的前提下取得了更高的精度。然后，通过集成学习和元学习优化深度神经网络的训练过程。最后，用原型网络的思想来改进模型的应用层，通过度量学习得到了更精确的识别结果。

面向少样本的数据特征提取和识别研究

代表性成果：

[1] Guo Nan, Gu Ke, Qiao Junfei, Bi Jing. Improved deep CNNs based on Nonlinear Hybrid Attention Module for image classification. Neural Networks, 2021,140: 158-166.

[2] Guo Nan, Gu Ke, Qiao Junfei, Liu Hantao. Active Vision for Deep Visual Learning: A Unified Pooling Framework. IEEE Transactions on Industrial Informatics, 2022, 18(10): 6610-6618.

[3] Gu Ke, Zhang Yonghui, Qiao Junfei. Ensemble meta-learning for few-shot soot density recognition. IEEE Transactions on Industrial Informatics, 2021, 17(3): 2261–2270.