提出了两种不同的损失函数 ——Proto-Triplet Loss 和 ICNN loss，其中考虑了嵌入向量的重要性，并评估了训练后网络获得的嵌入的质量。在实验中，相比其他度量法，这些损失函数在 miniImagenNet 基准测试中将准确率显著提高了 2％，表明这些损失函数有能力使网络更好地推广到以前未见过的类别。
May, 2023
本论文提出了一种深度比较网络，它由嵌入和关系模块组成，学习同步基于不同抽象级别的多个非线性距离度量，从而实现了优异的 few-shot 图像分类性能。
Nov, 2018
本文针对细粒度少样本图像分类问题提出了一个双重重构机制，使用支持集重构查询集以增加类间变异性，使用查询集重构支持集以降低类内变异性，并构建自重构模块，实验结果表明相比其他方法，提出的模型在三个广泛使用的细粒度图像分类数据集上都取得了显著的改进。
Nov, 2022
本篇论文提出了一种称为 “条件相似性网络” 的方法，用于学习分离式嵌入，不同的相似性概念被编码在不同的语义子空间，并用于解决多个不同相似性概念的问题。
Mar, 2016
本文提出了一种对 few-shot 分类问题的基础分类方法，和一种在此基础上的协作双路径度量分类方法，将模型在基础分类上的训练结果迁移到新分类中。经过两个基准测试集的验证表明，该方法是一个简单而有效的框架，而且是该领域的新的最先进技术。
Aug, 2020
本文提出了三种多尺度相似性学习结构，使用对比损失函数学习像素级匹配，实现对场景几何形态的无关性。基于深度学习，通过学习与分配匹配像素对，建立了混合和端到端方法之间的平衡。同时，文章还探讨了如何通过样本挖掘提高预测相似度的整体稳健性和较好的性能表现，并在航空和卫星数据集上进行了实验，结果表明 DeepSim 网络优于混合方法和端到端方法，并且更好地适用于未见过的场景几何形态。该灵活的体系结构可以轻松地应用于标准的多分辨率图像匹配管道。
Apr, 2023
本文提出了一种名为 LRPABN 的低秩双线性网络，用于解决挑战性的少样本学习下的细粒度分类问题，该模型通过双线性池化操作和特征对齐层学习一个有效的距离度量，并在四个细粒度分类数据集上表现出卓越的性能。
Aug, 2019
提出了一种名为 BriNet 的分割框架，该框架应用信息交换模块和多路径细粒度策略来提高查询和支持图像之间的信息交互，进而实现精确定位查询对象；并且还提出了一种新的在线细化策略，帮助训练好的模型适应未见过的类别，并在 PASCAL VOC 和 MSCOCO 数据集上创造出新的最优效果。
该研究提出了一种名为 Bilateral Segmentation Network (BiSeNet V2) 的神经网络架构，通过将空间细节和分类语义分别处理来实现高效准确的实时语义分割，并使用 Detailed Branch 和 Semantic Branch 来分别处理低级和高级特征。
Apr, 2020
本文提出了一种名为 Bilateral Segmentation Network（BiSeNet）的新型网络结构，通过引入 Spatial Path、Context Path 以及 Feature Fusion Module 三个模块，实现了在保持高分辨率的同时增加感受野，达到了在 Cityscapes、CamVid 和 COCO-Stuff 数据集上速度和分割性能相对平衡的效果，对于 2048x1024 的输入，我们在 Cityscapes 测试数据集上实现了 68.4％的平均 IOU，在 NVIDIA Titan XP 卡上的速度为 105 FPS，比现有方法更快，同时性能相当。
Aug, 2018