本篇论文提出了一种基于特征选择的新策略，可以更加简单和有效地应对 few-shot 分类问题。该方法首先训练多个具有不同语义的特征提取器，然后根据特定任务的需求自动选择最相关的特征表示，并在此基础上构建简单的非参数分类器，可以在 MetaDataset 数据集上实现最新的结果及 mini-ImageNet 上实现进一步准确度的提高

Mar, 2020

提出了一种针对下游的 few-shot 分类任务的自适应无监督嵌入方法，其中采用了特征重构、维度驱动的早期停止等创新策略来实现通用化特征的提取，与传统方法相比在所有标准设置下都显著提高了准确性，与传统方法结合使用可以进一步在 mini-ImageNet、tiered-ImageNet 和 CUB 等数据集上取得最先进的性能。

Jun, 2021

本研究提出了一种用于跨域图像特征提取和 unsupervised domain adaptation 的深度学习模型，实现了特征的 disentanglement 和适应，并在实验中证实了其有效性和优越性。

May, 2017

我们提出了一种新的基于对比的解缠方法 CDDG，通过利用解缠特征来利用被忽视的领域特定特征，从而便于提取所需的跨领域类别特征进行 DG 任务。与其他先进方法相比，对各种基准数据集进行的广泛实验表明了我们方法的优越性。此外，可视化评估证实了我们方法在实现有效特征解缠方面的潜力。

Oct, 2023

我们通过在训练阶段让目标领域中的一小部分无标签图像可访问，解决基于跨域 few-shot 分类的问题，同时通过指导网络的浅层学习更高级别的信息的跨层级知识蒸馏方法提取更有区分度的特征，以及通过特征去噪操作减少特征冗余并减轻过拟合，我们的方法在 BSCD-FSL 基准测试中平均超过了先前的最优方法 Dynamic-Distillation 在 1-shot 和 5-shot 分类任务上分别提升了 5.44% 和 1.37%。

Nov, 2023

本研究提出了一种新型的深度学习框架，能够从多个领域的数据中学习到不变的表示，通过对抗性训练和利用特定领域信息的能力，实现持续的跨领域图像转换和操纵，并相应地产生期望的输出图像。此外，所得到的特征表示在无监督域自适应方面表现出卓越的性能，也证明了该模型学习描绘跨领域数据的分离特征的有效性。

Sep, 2018

本文介绍了通过适配器和居中核对齐等方法，利用多个分别训练的网络的知识来同时学习多个领域上通用的深度表示，通过距离学习方法来有效适应之前未见过的领域，并在 Meta-Dataset 基准测试中取得显著的性能提升。

Mar, 2021

本文旨在解决度量方法下少样本分类领域差异的问题，使用特征转换层进行数据增强以模拟不同域下的特征分布，并应用 “学习学习” 方法搜索超参数来捕捉不同域下的特征分布变化，实验结果表明该方法适用于不同的度量模型，能够提高少样本分类准确性。

Jan, 2020

本文提出了一种基于离散语义表示的领域自适应方法，利用变分自编码器从数据中重建得到语义和域的变量，并通过双重对抗网络将其分离，实现在不同领域间的领域不变语义表示，达到了最先进的性能表现。

Dec, 2020

本文提出通过多频域学习，利用两分支网络从单源域样本中提取不变特征，还揭示频率分解有助于模型学习难以学习的特征。实验表明，该方法优于单源域泛化的最新方法。

Apr, 2023