本文提出了一种机制，可以根据待学习的新图像类别自适应地从视觉和语义两方面结合信息，通过一系列实验表明，这种自适应组合可以在所有基准和few-shot情景上大幅优于当前单模态学习方法和模态对齐方法，特别是在少样本的情况下。

Feb, 2019

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

本文提出了一种语言塑造的学习方法（LSL），通过利用语言作为监督信号，可以提高小样本学习的效果，在两个具有挑战性的少样本数据集上表现良好。

Nov, 2019

本文介绍了一种对称的对齐机制，用于学习从极少的例子中获取更广义的视觉概念的方法。实验结果表明，该方法是通用的，并提供了一个强大的基准。

Oct, 2022

本文提出了一种基于对比学习的新的 few-shot learning 框架，通过预训练语言模型解决视觉特征与文本嵌入之间的对齐问题，并引入度量模块来实现余弦相似度的泛化，通过双层优化结构中的 MAML 训练模型以提高可迁移性，此外，在多个基准测试上进行了大量实验证明我们方法的有效性。

Jul, 2023

通过使用大型语言模型自动列举每个类别的多个视觉描述，并使用视觉-图像模型将这些描述转化为每个图像的多个视觉特征集，然后使用稀疏逻辑回归选择相关特征子集进行分类，该方法在直观表示相关特征和少样本学习任务中表现出色，并在基于微调的方法中在分布内外任务上超过了现有的最先进方法。

Jul, 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

通过创新性的编码器和组合损失函数，本论文介绍了一种双重策略来解决广义零样例学习中的泛化差距，并提出了一套新的评估指标，以更详细地评估结果的可信度和可复现性。

Dec, 2023

通过挖掘开放语义作为锚点，并采用转换器模块进行从图像-锚点关系到图像-目标关系的关系转换，我们的方法在少样本分类设置中表现出色。

Jun, 2024

本研究解决了少样本学习中类特征表达不足的问题，通过引入大语言模型提取的抽象类语义和具体类实体，提出了一种新颖的框架。该框架结合了语义引导的视觉模式提取和原型校准模块，显著提升了视觉原型的代表性。实验结果表明，该方法在多个少样本分类基准测试中，尤其是在一-shot 设置下，相比现有最佳方法有显著提升。

Aug, 2024