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

该研究旨在通过一种新颖的增量技术探索少样本学习领域，其通过学习图像变换参数上的概率分布以优化通用性，其中实验结果表明，该方法可使准确率提高将近4%且代码开源。

Apr, 2020

利用少量的『类别级别』的语言描述，结合视觉特征分形成一个瓶颈视觉特征(混合原型)并建立一种Transformer机制，以编码这两种形式的丰富语义，并且经过多个数据集的实验证明，该算法能有效提升 few-shot learning 的性能。

Apr, 2021

该论文提出了一种在极限情况下有效检测多个未见过物体出现的策略，该策略基于在高维空间中识别n维单形体的角点，并介绍了一种下游分类器以改善少样本问题的性能。

Jan, 2023

该研究提出了一种基于语义提示的适应性视觉特征提取方法，通过在空间和通道维度插入语义提示来提高视觉特征提取器的处理能力，从而在极少量的支持样本下，实现更好的类别特定特征捕捉和更广泛的图像表示。

Mar, 2023

采用“Deep Augmentation”方法，通过在神经网络内部针对性地应用dropout实现数据增广，并采用stop-gradient操作进一步提高模型性能和泛化能力，在视觉和自然语言处理领域的对比学习任务中通过对ResNets和Transformers模型的广泛实验证明效果显著，与增广输入数据相比，针对深层模型的Deep Augmentation效果更好，而且该方法简单且对网络和数据无限制，方便集成到计算机视觉和自然语言处理流程中。

Mar, 2023

我们提出了一种从少量样本中学习语义分割模型的新类别的方法，通过伪标签策略进行扩充，通过知识提取能够保留现有类别的知识。

Aug, 2023

利用双特征增强网络（DFAN）解决零样本学习中存在的问题，该网络包括对视觉特征和语义特征进行增强的两个模块，借助注意力机制，通过学习属性特征以及解决局部与全局特征之间的冲突来提高属性表示。

Sep, 2023

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

我们提出了一种基于少样本语义分割的方法，利用具有充足数据的基础类别训练的模型进行对只有少量数据的新类别的分割，并引入了类别共享记忆模块和基于不确定性的特征增强模块来提高模型的泛化性能。实验结果表明，我们的方法在广泛使用的PASCAL-5i和COCO-20i数据集上相比最先进的方法具有卓越的性能。

Jun, 2024