提出了一种新颖的跨领域少样本视频动作识别方法，利用自监督学习和课程学习平衡源领域和目标领域的信息以解决多样性之间的挑战。在几个具有挑战性的基准数据集上评估并展示了该方法优于现有的跨领域少样本学习技术。

Sep, 2023

本文提出了一种新的元 - 混合网络，提出了利用少量标记目标数据来指导模型学习的想法，通过重新提出并将混合模块集成到元学习机制中，以及通过提出新的解缠模块和域分类器来提取解缠的领域无关和领域特定特征的方法，实现了缩小域差距的目的，从而使模型能够很好地推广到目标数据集。

Jul, 2021

本文研究了如何在仅使用 RGB 帧作为输入的情况下，保持多模态方法的性能表现，进而采用多模型知识蒸馏框架来处理这个问题，并在输入视角数量减少的情况下展示了更高的性能。

Jul, 2023

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

在最近几年，少量样本行为识别引起了越来越多的关注。该领域通常采用元学习的范式。在有限样本的基础上，克服类别的重叠分布和异常值仍然是一个具有挑战性的问题。我们相信多模态和多视角相结合可以改善这个问题，取决于信息的互补性。因此，我们提出了一种基于多模态融合的多视角蒸馏方法。首先，构建一个用于查询的概率提示选择器，根据支持样本的提示嵌入和查询的视觉嵌入之间的比较分数生成概率提示嵌入。其次，在每个视角中，我们将提示嵌入与视觉嵌入以及全局或局部时间上下文融合，克服类别的重叠分布和异常值。第三，我们对多视角进行距离融合，并进行互相之间的匹配能力蒸馏，使模型对分布偏差更加鲁棒。我们的代码可在以下网址找到：https://github.com/cofly2014/MDMF。

Jan, 2024

我们提出了一种多模态实例细化（MMIR）方法，通过强化学习来减轻负迁移，该方法在双模态中训练了一个强化学习代理，在每个领域中选择出负样本以精炼训练数据。我们的方法在基准 EPIC-Kitchens 数据集上表现优于其他几种最先进的基线方法，证明了 MMIR 在减少负迁移方面的优势。

Nov, 2023

本文通过多模式自我监督对齐方法及对抗式对齐方法，提高细粒度行为识别跨环境泛化能力。在 EPIC-Kitchens 数据集中，多模式自我监督训练可将性能提高 2.4%，结合对抗式对齐方法可超过其他对抗式训练方法 3%。

Jan, 2020

本文旨在提出一种基于元学习的有效的实现少样本迁移学习的方法，该方法使用局部视觉线索学习表示，以在具有不同场景和动作配置的公共数据集之间进行行为分类模型的迁移。结果表明，该方法在跨类别和跨数据集转移方面效果优于现有的行为分类方法。

Jul, 2019

本文提出了跨域 few-shot 学习的 Broader Study of Cross-Domain Few-Shot Learning （BSCD-FSL）基准，并对该基准的广泛实验表明了目前最先进的元学习方法被早期的元学习方法意外地超越，同时发现所有方法的准确性倾向于与数据集的相似性相关，这验证了该基准的价值，可指导未来的研究方向。

Dec, 2019

本研究针对跨域 few-shot 识别存在的问题，提出了一种动态蒸馏方法来实现无标注的图像分类，并通过弱强增强版本的预测结果进行匹配，使得网络可以轻松地适应目标域，达到 4.4% 的 1-shot 和 3.6% 的 5-shot 分类性能提升。

Jun, 2021