本文在对 Few-Shot Learning 进行了深入的调研的基础上，选择使用三种视角：数据，模型，和算法来对 FSL 的方法进行分类，以提供未来研究的启示。

Apr, 2019

深度学习在医学图像处理领域的应用受到数据不足的限制，因此研究者们开发出了一种称为 “Few-shot learning” 的模型，通过分类和分割方法来从小规模数据集中提取特征以解决数据不足的问题。本文综述了 Few-shot learning 的背景和基本概述，介绍了医学图像分析中的方法学策略比较，描述了 Few-shot learning 在医学图像处理应用的最新进展，并展望了其未来的应用前景。

May, 2023

本文为深度学习架构在小数据训练中的应用进行了综述，提供了关键参考和开源代码，为希望在小数据场景下进行 Few-shot 学习的人提供了起点。

Aug, 2020

利用多个文本来源和语义部分注释来提供更强的监督辅助信息，达到零样本识别和检索的目标。

Mar, 2016

提出一种基于信息检索的方法来解决 few-shot 学习问题，通过同时优化每个训练批次中所有相对排序以提取尽可能多的信息， 在结构化预测的框架内定义模型来优化平均精度，从而实现在标准 few-shot 分类基准测试上取得令人印象深刻的结果，并具有 few-shot 检索的能力。

Jul, 2017

本文提出了基于产品专家公式和 A UD 模块的零样本和少量样本归纳学习框架，利用来自非数据类的未标记采样来提高任意数量学习的泛化能力，并证明了该模型适用于有限监督场景下的广义零样本模型。

Jul, 2021

基于系统回顾，本文阐述了少样本学习在医学影像识别中的广泛应用，特别是基于元学习的方法，该方法可以克服数据稀缺问题，适应少标注样本，并且常用的技术是监督学习和半监督学习，主要应用领域集中在心脏、肺和腹部等部位。

Sep, 2023

该研究提出了一种新的方法，通过学习 3D 物体形状来改进现有的低样本学习方法，并在多个数据集上证明了其有效性，同时介绍了最大种类数量的 3D 对象数据集 Toys4K。

Jan, 2021

本研究旨在比较多种最新的 zero-shot learning 方法在标准基准数据集上的表现，并提出和比较多种元分类器，在缺乏带标签训练数据集的情况下，将多种分类器的最佳方面相结合，达到更好的分类效果。

Mar, 2022

为了解决深度学习中少样本学习的挑战，我们提出了一个简单而有效的框架，专门设计用于利用文本信息和语言模型，通过学习可调的提示来显式地利用预训练的语言模型的零样本能力，并且直接将视觉特征和文本特征进行推断而无需复杂设计的融合模块，进一步运用自集成和蒸馏来增强这些组件，在四个广泛使用的少样本数据集上进行了大量实验证明我们的简单框架取得了令人印象深刻的结果，特别值得注意的是，在 1-shot 学习任务中，我们的分类准确率平均超过基准方法 3.0%。

Jan, 2024