该研究提出了一种基于卷积神经网络和注意力机制的少样本视觉学习系统，旨在实现在测试时只使用少量训练数据就能有效地学习新类别，同时不会忘记原先基础类别的模型。经过在 Mini-ImageNet 数据集的测试，该模型在 1-shot 和 5-shot 设置下都取得了 56.20% 和 73.00% 的最优成绩。
Apr, 2018
本文提出了一种基于少量样本和元学习的物体检测方法，使用原型知识转移和基于图的显式先验知识，验证了该方法在 PASCAL VOC 数据集上的有效性。
Aug, 2020
利用少量数据进行学习是一项具有挑战性的计算机视觉任务，本文通过引入高质量的语义以及使用简单的网络结构，设计了一个名为 “语义进化” 的自动化方式来解决少样本学习中的问题，实验证明该方法在少样本分类任务中表现优异。
Nov, 2023
本研究使用深度神经网络和度量学习的思想，建立了一种学习新概念的框架，从而不需要微调以适应新的类别类型，并在视觉和语言任务中定义了一次性学习问题，实验结果表明，在 Imagenet 数据集上，准确率从 87.6% 提高到 93.2%，在 Omniglot 数据集上，准确率从 88.0% 提高到 93.8%。
Jun, 2016
本文提出了 Memory Matching Networks（MM-Net）的新想法，即在卷积神经网络中加入记忆元素，并学习动态地适应无标签图像的参数，从而实现一次学习。文章探讨了不同的训练数据集的匹配方法，并得出了超越同类算法的实验结果。
本论文提出了多层神经网络结构来实现少样本图像识别任务，其中包括特征提取和分类两个阶段，采用 Mahalanobis 距离计算平均类别特征和测试样本的距离，并通过学习映射将样本原型映射到对应类别的原型上，该网络在四个标准的少样本图像识别数据集上表现出优越的性能。
Dec, 2019
本文提出了一种基于 Faster R-CNN 及特征学习的几类物体检测方法，采用基于原型网络的方法，在线适应新类别，并使用嵌入向量与类别原型之间的距离确定对应分类得分。该方法在 DOTA 数据集上进行了评估，强调了特征学习对几类目标检测任务的应用潜力和局限性。
Sep, 2021
通过将输入样本分割成补丁，并借助 Vision Transformers 对其进行编码，从而在图像的局部区域之间建立语义对应关系，而不受其各自类别的影响。利用掩蔽图像建模等方法进行无监督训练，以克服标签不够精细以及避免负面的图像级注释影响，实现了对数据的更一般的统计结构的学习，并在四个流行的 Few-shot 分类基准测试中，对于 5-shot 和 1-shot 情形均取得了新的最优结果。
Jun, 2022
本研究关注于使用额外语义信息以便在少量样本时进行图像分类，研究表明组合多种语义信息可以带来更好的效果。
Jun, 2019
本研究综述了少样本物体检测的现有成果及未来展望，提出了基于数据的训练分类法和相应监督的形式，并对其定义、主要挑战、基准数据集、评估指标和学习策略进行了详细调查，最后总结了少样本目标检测的现状以及未来的研究方向。
Oct, 2021