本文提出了一个面向穿戴式传感器的少样本学习方法，该方法利用相关任务的知识来训练具有很少标注数据的模型，通过参数传递的方式进行知识迁移，并提出了一种度量跨域类别相关性的度量方法以减少负迁移，实验结果表明该方法具有显著优势。

Mar, 2019

本研究介绍了针对少样本学习的视频动作识别任务，采用双流模型和三种常见的基于度量的算法，通过一组卷积和递归神经网络视频编码器进行训练和评估，证实了双流设置的重要性，并发现原型网络和池化长短期记忆网络嵌入为少样本方法和视频编码器提供了最佳性能。在 Kinetics 600 数据集上进行的 5-shot、5-way 任务中，该设置在测试集上获得了 84.2% 的准确度，而在混淆度较高的 “挑战” 测试集上获得了 59.4% 的准确度。

Sep, 2019

本文提出了一个新的 ProtoGAN 框架来合成额外的样例，以便在少样本学习 (FSL) 背景下的新动作识别和通用 FSL (G-FSL) 的环境下对已知和新的动作类别进行识别，并在 UCF101、HMDB51 和 Olympic-Sports 数据集上进行了大量实验以支持我们的结果。我们通过使用一个类原型传输网络（CPTN）从已知类别的示例中学习类原型向量来生成新的样例，并成功地展示了模型在识别新类别方面的更好表现。

Sep, 2019

本篇论文提出了 SloshNet，一个新的框架，重新审视少样本动作识别中的空间时间建模，并自动搜索低级和高级空间特征的最佳组合，同时利用 transformer 技术对全局和局部的时间关系进行建模，实现了对四种数据集的优秀结果。

Jan, 2023

该研究对最近在机器学习领域受到欢迎的少样本学习在三维感知上的应用进行了深入系统研究，提出了一种新的组件 Cross-Instance Adaptation（CIA） module，将其插入到当前基线模型中可显著提高表现，并在两个新的基准数据集上证明了该模型的优越性。

Mar, 2023

本研究提出了一种基于 LSTM 的 few-shot 动作识别框架，采用了特定的评估设置，隐式序列对齐算法以及新的优化方法，通过在少量数据上最大化同类样本的相似性并最小化不同类之间的相似性来实现 few-shot 动作识别。实验表明，该方法在两个数据集上均取得了较好的效果。

Oct, 2020

本研究提出 FSDA-AR，即利用非常少量的标签目标视频实现有效自适应的少样本域自适应方法，通过深度学习技术中的潜在空间语义邻接损失，以及基于图注意网络的边缘丢失技术构建推荐算法和 FSDA-AR 基准测试，并在五个数据集上进行实验和评估，结果表明与非监督域自适应相比，在需要用较少的目标样本进行标记记录的情况下，FSDA-AR 的表现不逊于非监督领域自适应，在图像、视频等领域具有机器学习、计算机视觉等方面的研究应用价值。

May, 2023

本文旨在提出一种基于元学习的有效的实现少样本迁移学习的方法，该方法使用局部视觉线索学习表示，以在具有不同场景和动作配置的公共数据集之间进行行为分类模型的迁移。结果表明，该方法在跨类别和跨数据集转移方面效果优于现有的行为分类方法。

Jul, 2019

本文提出一种基于 C3D 编码器和置换不变池化的模型，针对视频的少样本动作识别任务，通过性质相似的 原始视频块以及注意力机制，使其适用于不同长度和长期依赖模式的变化，同时在 HMDB51、UCF101 和 miniMIT 数据集上表现良好。

Jan, 2020

本文提出了一种零样本动作识别的生成性框架，该框架基于建模每个动作类，使用代表该动作类的属性向量的概率分布的参数的函数。特别地，我们假设视觉空间中任何动作类的分布参数都可以表示为一组基向量的线性组合，其中组合权重由动作类的属性给出。这篇文章的实验表明，和各种基线模型相比，在标准零样本和归纳 / 转导的情况下，我们的方法都获得了显着的性能提升。

Jan, 2018