[1] CATALANO A, BRUNO FA, GALLIANO C et al. An optical fiber intrusion detection system for railway security[J]. Sensors and Actuators A： Physical, 253, 91-100(2017).

[2] ALVAREZ F J, URENA J, MAZO M et al. Ultrasonic Sensor System for Detecting Falling Objects on Railways[C], 866-871(17).

[3] [3] 3王瑞， 李霄峰， 史天运， 等. 基于视频深度学习的铁路周界入侵检测算法研究［J］. 交通运输系统工程与信息， 2020， 20（2）： 61-68.WANGR， LIX F， SHIT Y， et al. Railway perimeter intrusion detection algorithms based on video deep learning［J］. Journal of Transportation Systems Engineering and Information Technology， 2020， 20（2）： 61-68. （in Chinese）

[4] [4] 4陈莹， 朱宇. 模态自适应权值学习机制下的多光谱行人检测网络［J］. 光学 精密工程， 2020， 28（12）： 2700-2709. doi: 10.37188/OPE.20202812.2700CHENY， ZHUY. Multispectral pedestrian detection network under modal adaptive weight learning mechanism［J］. Opt. Precision Eng.， 2020， 28（12）： 2700-2709. （in Chinese）. doi: 10.37188/OPE.20202812.2700

[5] [5] 5郭保青， 王宁. 基于改进深度卷积网络的铁路入侵行人分类算法［J］. 光学 精密工程， 2018， 26（12）： 3040-3050. doi: 10.3788/ope.20182612.3040GUOB Q， WANGN. Pedestrian intruding railway clearance classification algorithm based on improved deep convolutional network［J］. Opt. Precision Eng.， 2018， 26（12）： 3040-3050. （in Chinese）. doi: 10.3788/ope.20182612.3040

[6] [6] 6何文玉， 杨杰， 张天露. 基于深度学习的轨道异物入侵检测算法［J］. 计算机工程与设计， 2020， 41（12）： 3376-3383.HEW Y， YANGJ， ZHANGT L. Orbital foreign object intrusion detection algorithm based on deep learning［J］. Computer Engineering and Design， 2020， 41（12）： 3376-3383. （in Chinese）

[7] [7] 7宋闯，赵佳佳，王康等.面向智能感知的小样本学习研究综述［J］.航空学报，2020，41（S1）： 15-28.SONGCH， ZHAOJ J， WANGK， et al. A survey of few shot learning based on intelligent perception［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（S1）：15-28.

[8] SNELL J, SWERSK Y K, ZEMEL R. Prototypical net-works for few-shot learning[C], 4077-4087(2017).

[9] SUNG F, YANG Y, ZHANG L et al. Learning to compare:Relation network for few-shot learning[C], 1199-1208(2018).

[10] XU C Y, SHEN J Z, DU X. A method of few-shot network intrusion detection based on meta-learning framework[J]. IEEE Transactions on Information Forensics and Security, 15, 3540-3552(2020).

[11] ALFASSY A, KARLINSKY L, AIDES A et al. LaSO： Label-Set Operations Networks for Multi-Label Few-Shot Learning[C], 6541-6550(15).

[12] ZHANG C, CAI Y J, LIN G S et al. DeepEMD： Few-Shot Image Classification with Differentiable Earth Mover's Distance and Structured Classifiers[C], 12200-12210(13).

[13] HE K M, ZHANG X Y, REN S Q et al. Deep Residual Learning for Image Recognition[C], 770-778(27).

[14] HU J, SHEN L, SUN G. Squeeze-and-Excitation Networks[C], 7132-7141(18).

[15] PARK J, LEE J Y et al[M]. CBAM： Convolutional Block Attention Module, 3-19(2018).

[16] WEN Y D, ZHANG K P, LI Z F et al[M]. A Discriminative Feature Learning Approach for Deep Face Recognition, 499-515(2016).

[17] FINN C, ABBEEL P, LEVINE S. Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks[C], 1126-1135(11).

[18] VINYALS O, BLUNDELL C, LILLICRAP T et al. Matching Networks for One Shot Learning[C], 3637-3645(2016).

[19] CHEN W, LIU Y, KIRA Z et al. A closer look at few-shot classification[C], 2019(1904).