如今，在某些场景中，通过深度学习技术训练的机器在识别图像时比人类更加好，比如说识别猫、识别血液中的癌细胞特征、识别MRI扫描图片中的肿瘤。谷歌AlphaGo学习围棋，它自己与自己不断下围棋并从这当中学习。机器视觉深度学习还在图像恢复和超分辨率、图像质量评价、语义分割与解析、图像内容文本生成、医学图像分析等许多任务中取得了较传统方法更加好的结果，极大的推动了相互领域技术和方法的发展。

  现阶段的深度学习方法通常依赖大规模数据开展训练。但并不是所有的机器视觉问题都会有充足的训练样本，如特定的人或物体的检索，罕见物种的识别、医学图像中的稀有病例等，训练数据很有可能十分稀少或是收集大量样本的代价会非常大。这里相对应，人的视觉系统仅需要少许样本就可以识别类别，这好多程度是因为人可以复用在其他领域学习所得知识和经验。近些年小数据样本（Smalldataset）的学习越来越引起研究人员的关心，怎样利用小数据样本来开展有效的深度学习，是一个尚需解决的挑战性问题。
  深度卷积网络采用误差反向传播算法开展参数学习，这就要求训练数据有明确和丰富的监督信息。但在许多实际问题中，对图像开展详细、精确的标定极为耗时（如场景解析中的像素级标签、视频中精细的时空标定等）；且许多训练数据中监督信息缺失或监督信息包含噪声（如从互联网中收集的照片）。怎样利用弱监督、噪声监督、非监督统信息来训练深度网络，对利用大量标定不完全的数据具有重要的实际意义。