本文研究了在训练数据稀缺的情况下，通过在较少的基础类别上进行微调，以改善少样本学习，探索了提取目标数据集更好特征的可能性，并提供了可在任何少样本解决方案中实施的简单且直观的方法。

Jan, 2024

这篇研究论文旨在通过优化跨熵损失训练深度网络，提出一种基准模型来解决 few-shot 学习问题，并通过使用更多的元训练类来提高准确性，同时提出衡量 few-shot 任 务难度的度量标准。

Sep, 2019

这篇论文介绍了几种代表性的 few-shot 分类算法的一致性比较分析，包括修改的基准线方法，新的评估设置等，并揭示了在 backbones 网络较深时，减少类内变异是一个重要的因素，但与使用较浅的 backbones 网络时不太重要的结论。在现实的跨域评估设置中，我们展示了一种标准的微调实践的基准方法与其他最先进的 few-shot 学习算法相比的优越性。

Apr, 2019

通过实验，本研究发现自监督学习在小类别图像识别中的迁移性、鲁棒性、效率及可补充性都超过了传统的少样本学习方法，并以 3.9% 的准确度优势取得了成功，因此需要更深入地研究自监督学习在少样本学习中的作用。

Oct, 2020

本文探讨了 ImageNet 数据集对于学习优秀通用特征的关键属性，发现大多数对预训练数据集的选择的改变不会显著影响迁移学习的表现。在相同的训练类别数量下，分类粗细程度或每个类别样例数目的增加对学习特征的质量影响大于类别数量的增加。

Aug, 2016

本文旨在深入研究几种少量数据学习框架用于视频分类的方法，通过提出基于分类器的基线模型等贡献，发现现有的度量学习法存在的局限性，并发现新行动类别和 ImageNet 物体类别之间高度相关，最终提出了一个新的基准数据集以促进未来的少样本数据的视频分类研究，该代码将在指定网址上公开。

Oct, 2021

本文提出了一种称为 SetFeat 的方法，将现有特征提取器改为从图像中提取一组特征向量，进而实现更好地将基类的富表示性转移到 few-shot 类中。

Apr, 2022

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

本文通过定量和定性研究表明，常见的 Few-Shot 图像分类基准数据集存在很大的偏见，严重影响了实际应用场景的实际使用，提出了一个基于语义信息的对标准数据集的改进方案，并引入了另一个基于丹麦真菌 2020 数据集的新基准，包括一系列用于评估任务的类别。文章进一步介绍分类任务难度与其类别语义相似度之间的相关性，讨论了现有方法在处理许多分类任务时性能下降的问题，并呼吁研究者进一步质疑标准评估过程的质量及其在实际应用中的相关性。

May, 2022

本文研究了生成数据集对图像分类器自然鲁棒性的影响，发现与标准训练和流行的数据增强策略相比，使用真实数据和生成数据相结合进行训练可以提高 Imagenet 分类器的准确性和鲁棒性，同时分析了不同因素对结果的影响，并介绍了 ImageNet-G-v1 数据集。

Feb, 2023