本文提出了一种名为 Simple CNAPS 的新型神经网络架构，采用 Mahalanobis 距离作为距离衡量标准并学习适应性特征提取器，从而在标准 few-shot 图像分类基准数据集上实现了 6.1% 的性能提升。

Dec, 2019

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

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

本文研究了现有少样本分类方法，提出了一种鲁棒性较好的方法来应对培训数据量和测试数据量不匹配等情况。该方法通过理论分析，将嵌套式学习（meta-learning）与原型网络（Prototypical Networks）相结合，以研究最佳 “Shot Number”（样本数量数），并取得了在少量训练数据和多量测试数据情况下良好的性能表现。

Sep, 2019

本文提出了一种上下文感知的双曲度量学习方法，可用于 few-shot learning 任务，并且在多个分类基准上的实验结果表明这种方法不仅具有鲁棒性，而且表现优于基线模型。

Dec, 2021

通过基于样本的 R-CNN 方法，我们提出了 Cos R-CNN，它适用于在线少样本目标检测，能够在很少的样本示例未经微调的情况下定位和分类图像中的新对象类别。这种简单的公式在最近提出的 5 路 ImageNet 少样本检测基准上取得最好的结果，在在线 1/5/10-shot 情景中优于 8%/3%/1%，在新颖类别的各个拍摄数下 VOG 上表现更好，最高可达 20%。

Jul, 2023

本研究综述了少样本物体检测的现有成果及未来展望，提出了基于数据的训练分类法和相应监督的形式，并对其定义、主要挑战、基准数据集、评估指标和学习策略进行了详细调查，最后总结了少样本目标检测的现状以及未来的研究方向。

Oct, 2021

本文介绍了一种新的物体检测挑战性场景 “Any-shot detection”，并提出了一个统一的模型，可以同时检测零 / 少样本物体类别，其中核心思想是使用类语义作为目标检测的原型，并提出一种重新平衡的损失函数来强调难以检测的少样本情况，但避免在新类别上过拟合。在 Pascal VOC 和 MS-COCO 数据集上的实验表明，该方法可以显著提高检测性能。

Mar, 2020

本文提出了一种不确定性感知的 few-shot 图像分类框架，通过模拟查询和支持样本之间相似度不确定性，提高了模型对有限样本的优化能力，并在基准模型的基础上显著提升了模型性能。

Oct, 2020

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