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

本研究提出，以 meta-training data 为基础，先学习一个监督或自我监督的表征，再在表征上训练线性分类器，可以优于现有的 few-shot learning 方法。自教学技术可以进一步改善。这表明好的学习嵌入模型比复杂的元学习算法更有效。

Mar, 2020

这篇研究论文旨在通过优化跨熵损失训练深度网络，提出一种基准模型来解决 few-shot 学习问题，并通过使用更多的元训练类来提高准确性，同时提出衡量 few-shot 任 务难度的度量标准。

Sep, 2019

这篇论文介绍了几种代表性的 few-shot 分类算法的一致性比较分析，包括修改的基准线方法，新的评估设置等，并揭示了在 backbones 网络较深时，减少类内变异是一个重要的因素，但与使用较浅的 backbones 网络时不太重要的结论。在现实的跨域评估设置中，我们展示了一种标准的微调实践的基准方法与其他最先进的 few-shot 学习算法相比的优越性。

Apr, 2019

该研究提出了一种基于卷积神经网络和注意力机制的少样本视觉学习系统，旨在实现在测试时只使用少量训练数据就能有效地学习新类别，同时不会忘记原先基础类别的模型。经过在 Mini-ImageNet 数据集的测试，该模型在 1-shot 和 5-shot 设置下都取得了 56.20% 和 73.00% 的最优成绩。

Apr, 2018

本研究提出通过使用 3D CNN 学习视频空时特征并在基类上 fine-tuning 分类器来解决 few-shot video classification 问题，其表现超过现有基准测试的先前方法 20 点以上，同时提出了利用标签检索和生成式对抗网络生成视频特征的方法，以更好地应对无标签示例的需求，并使用更具挑战性的基准数据集对模型进行了评估。

Jul, 2020

本文主要研究了基于简单特征变换的最近邻分类器在 few-shot 学习上的精度，并发现在 miniImageNet 数据集中，使用平均值减法和 L2 归一化的最近邻分类器在三个设置上优于之前的结果。

Nov, 2019

介绍了三个无需参数的改进方案（a）基于将交叉验证适应到元学习的更好的训练流程，（b）使用有限的边界框注释来定位目标的新型架构，以及（c）基于双线性汇总的特征空间的简单无需参数的扩展，这些改进共同使得算法能够在真实世界的识别问题中表现更好。

Apr, 2019

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

本文提出了一种新的基于匹配的少样本学习策略，结合隐式时间对齐和上下文编码模块以及多任务损失，用于解决视频分类中在有限标注情况下空间 - 时间表征的学习问题，并在两个具有挑战性的基准测试中证明了其优越性。

May, 2021