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

该研究提出了一种基于语义提示的适应性视觉特征提取方法，通过在空间和通道维度插入语义提示来提高视觉特征提取器的处理能力，从而在极少量的支持样本下，实现更好的类别特定特征捕捉和更广泛的图像表示。

Mar, 2023

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

本文通过定量和定性研究表明，常见的 Few-Shot 图像分类基准数据集存在很大的偏见，严重影响了实际应用场景的实际使用，提出了一个基于语义信息的对标准数据集的改进方案，并引入了另一个基于丹麦真菌 2020 数据集的新基准，包括一系列用于评估任务的类别。文章进一步介绍分类任务难度与其类别语义相似度之间的相关性，讨论了现有方法在处理许多分类任务时性能下降的问题，并呼吁研究者进一步质疑标准评估过程的质量及其在实际应用中的相关性。

May, 2022

通过将输入样本分割成补丁，并借助 Vision Transformers 对其进行编码，从而在图像的局部区域之间建立语义对应关系，而不受其各自类别的影响。利用掩蔽图像建模等方法进行无监督训练，以克服标签不够精细以及避免负面的图像级注释影响，实现了对数据的更一般的统计结构的学习，并在四个流行的 Few-shot 分类基准测试中，对于 5-shot 和 1-shot 情形均取得了新的最优结果。

Jun, 2022

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

提出了一种新的神经网络结构，利用基于目标图像的条件来学习高质量的类别表示，采用动态学习方式进行类别之间的对比，对 Caltech-UCSD 鸟类细粒度分类任务取得了最先进的性能。

Feb, 2018

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

本研究提出了一种自我监督学习的方法，以训练更通用的嵌入网络，可以在少样本的情况下实现更好的图像分类性能，即使在跨域情况下也表现出一定的鲁棒性。

Nov, 2019