本文提出一种新的面向领域自适应少样本学习（DA-FSL）的解决方案，即基于领域对抗性原型网络（DAPN），该模型通过显式增强源 / 目标每类别的区分性在域自适应特征嵌入学习之前，以实现全局领域分布对齐，同时保持源 / 目标每类别的差异性从而提高 FSL 的性能。实验表明，DAPN 模型优于现有的 FSL 和 DA 模型及其简单组合。

Mar, 2020

本研究致力于解决跨领域小样本目标检测（CD-FSOD）的挑战，提出了一种准确的对象检测器，用于具有最少标记示例的新领域。通过引入多个指标来量化域差异，并建立具有多样化域度量值的新的 CD-FSOD 基准，对一些最先进的开放式对象检测方法进行评估，结果表明，直接采用开放式检测器进行 CD-FSOD 会导致性能下降。“CD-ViTO” 通过引入多种新颖组件，包括微调、可学习的原型模块和轻量级注意力模块，旨在克服性能降级问题并回答提出的第二个问题。实验证明，我们的 CD-ViTO 在领域外和领域内目标数据集上均取得了令人印象深刻的结果，为 CD-FSOD 和 FSOD 建立了新的 SOTAs。所有数据集、代码和模型将向社区发布。

Feb, 2024

本文提出了一种基于风格转移的语义对齐增强框架（SASA），以解决面部反欺诈系统（FAS）中 Few-Shot Domain Expansion 的问题，其中包括少量目标域训练样本以及大量源域训练样本。该框架通过基于真实感的风格转移生成辅助样本，并提出了设计良好的机制来实现两个域的实例级别和分布级别的对齐，并通过少遗忘的约束来稳定源域上的性能。实验结果表明，所提出的 SASA 方法优于现有的方法。

Jun, 2021

本文提出了一个基于多领域的数据集的多领域少样本目标检测（MoFSOD）基准测试，以评估少样本算法的性能，并通过冻结层、不同体系结构和不同预训练数据集等方面的实验结果发现了多个影响少样本目标检测性能的关键因素，并提出了两种算法改进方法，在 MoFSOD 基准测试中实现 SOTA 表现。

Jul, 2022

本篇研究考虑在现实世界中具有类别不平衡的情况下进行 few-shot 目标检测（FSOD）。通过对印度驾驶数据集（IDD）进行实验，同时评估了基于度量学习和元学习的 FSOD 方法在同领域实验和对象样本稀少的实验中的表现。结果显示距离度量学习的方法在新颖的类上表现优于元学习。此外，本研究还证明了在真实世界的开放数据集中扩展目标类别是进行 few-shot 学习研究的有利方式。

Jan, 2021

本文提出了一种基于数据工厂的方法，在源域数据不可用的情况下，以有限的少量手动标注示例为辅助，生成无限量的与目标域相似的合成图像及其对应的标注，并在此基础上实现了针对 SF-FSDA 问题的鲁棒目标检测。

Jun, 2023

本文介绍了一种通过聚类来提高 Few-shot 分类领域适应性的归纳框架 DaFeC，其独特之处在于不需要全面访问测试数据，而是通过构建表示提取器并结合聚类矿工来得到伪标记数据，并通过聚类升级机制来实现更好的目标领域特征，从而提高分类准确性。在 FewRel 2.0 数据集上的实验表明，本文所提出的方法优于之前的研究。

Jun, 2020

本研究在跨领域少样本动作识别问题中，通过系统性评估已有的单领域、基于迁移的和跨领域方法，发现领域差异与性能之间存在相关性，揭示了一些对 CD-FSAR 方法有效的模型方面，以及需要进一步发展的方面，希望这些洞见能够激发和指导未来在这些方向上的研究工作。

Jun, 2024

采用对抗训练来学习嵌入的子空间，同时最大化两个域之间的混淆并在语义上对齐它们，解决了少量有标签目标数据样本的深度模型的有监督域自适应问题。

Nov, 2017

本文提出一种新方法以应对跨域少样本目标检测面临的数据不足及误导等问题，该方法由自适应优化策略与多层次领域感知数据增强两部分构成，最终在多个基准测试中取得最优表现。

Sep, 2022