本文系统地研究了训练数据变化对深度图像特征的质量和通用性的影响，并提出了关键实用问题，如在固定注释预算情况下，每类图像数量和类别数量之间的最佳权衡

Jul, 2020

本研究探讨使用预训练特征提取器的集成方法来解决跨域少样本图像分类问题，实验结果表明这种简单且高效的方法在多个少样本任务上都能胜过复杂的元学习算法。

Jan, 2021

通过实验，本研究发现自监督学习在小类别图像识别中的迁移性、鲁棒性、效率及可补充性都超过了传统的少样本学习方法，并以 3.9% 的准确度优势取得了成功，因此需要更深入地研究自监督学习在少样本学习中的作用。

Oct, 2020

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

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

本文提出了一种针对 few-shot learning 中使用的分类器训练，通过在基础模型中冻结或微调特定层以转移部分知识来提高性能，并引入基于进化搜索的方法以自动化此选择过程，以得到在 CUB 和 mini-ImageNet 中具有最先进表现的该方法。

Feb, 2021

本文提出使用已训练好的特征表示，改善元测试期间每个支持实例的表示，进而提高 Few-shot 分类的性能，通过实验证明，该方法在各模型背景下都有较好的表现，达到了最新的状况。

Oct, 2022

该研究提出了一种新的适用于 few-shot classification 的方法，使用伪标签技术结合蒸馏损失和标准交叉熵损失来解决小数据集的问题，并取得了比现有的算法更好的效果。

Dec, 2021

该研究证明，在 mini-ImageNet 数据集中，fine-tuning 方法在 1-shot 任务中比常见的 few-shot learning 算法具有更高的准确性，在 5-shot 任务中准确率几乎与最先进的算法相同，同时展示了在高分辨率单领域和跨领域任务中，该方法比常见 few-shot learning 算法具有更高的准确性。

Oct, 2019