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

本论文提出了一种新的离散能量最低化问题家族，称为简明标记。我们的能量函数包括一元潜势和高阶团势。其中，一元潜势是任意的，而团势则与分配给团的唯一标签的多样性成比例。我们的能量函数鼓励标记是简明的，即尽可能少地使用标签。此外，我们提出了一种高效的基于图割方法的算法，可以提供强有力的理论保证，用于简明标记问题。

Jul, 2015

本文提出了一种基于拉普拉斯正则化的推导式推理方法，用于 few-shot 任务中的图聚类，以支持来自支持集的监督性约束。实验结果表明，在五个 few-shot 学习基准测试中，LaplacianShot 方法具有显著优于现有方法的性能表现。

Jun, 2020

该论文提出了一种两阶段的学习方法，通过最大化特征嵌入的熵来创造一个最佳输出流形，并通过自我监督的双胞胎约束流形，最小化特征嵌入的熵来提高深度神经网络在少样本学习任务中的表示能力。

Jun, 2020

本文提出了一种不确定性感知的 few-shot 图像分类框架，通过模拟查询和支持样本之间相似度不确定性，提高了模型对有限样本的优化能力，并在基准模型的基础上显著提升了模型性能。

Oct, 2020

使用 Selective Attack 模块和交叉模态分布对齐模块加上样本增强策略来解决 vision-language models 下 few-shot 学习中的关键问题，能够有效地使得视觉和语言特征分布一致，并在 11 个数据集上稳定地优于现有方法。

May, 2023

本文提出了一种针对少样本目标计数的新型学习模块，其中包括相似性比较模块和特征增强模块，通过得分图，利用支持图像和查询图像来增强查询特征，大大提高了目标计数的精度和效率，成果优于现有最先进技术

Jan, 2022

本文提出基于赋对问题的多模型匹配能量公式，以及基于最小费用最大流算法的高效求解器，该方法能够显著增加匹配数量，并且可以提高模型拟合精度。

Mar, 2013

本论文提出了关联对齐的思想，将新颖的训练实例与基础训练集中密切相关的样本进行对齐，从而扩大了有效新颖训练集的规模。研究表明采用我们提出的关联对齐策略和以质心为基础的关联损失，相较于现有技术，可以分别在目标识别、细粒度分类和跨领域适应中提高 5-shot 学习的绝对准确率 4.4％、1.2％和 6.2％。

Dec, 2019

本篇论文提出了一个新的基于能量的混合模型用于 few-shot 开放集识别任务，利用类内和像素级特征来学习全局能量评分，强制模型对偏离 few-shot 示例的样本分配大的能量分数，在三个标准数据集上取得了最优秀的性能。

Apr, 2023