本文提出了一种名为LRPABN的低秩双线性网络，用于解决挑战性的少样本学习下的细粒度分类问题，该模型通过双线性池化操作和特征对齐层学习一个有效的距离度量，并在四个细粒度分类数据集上表现出卓越的性能。

Aug, 2019

本文旨在解决度量方法下少样本分类领域差异的问题，使用特征转换层进行数据增强以模拟不同域下的特征分布，并应用“学习学习”方法搜索超参数来捕捉不同域下的特征分布变化，实验结果表明该方法适用于不同的度量模型，能够提高少样本分类准确性。

Jan, 2020

该论文提出了一种物体感知的远近距离空间对齐方法，通过FOE模块增强前景物体响应、LSC模块学习可转移的远距离语义对齐和SSM模块对查询特征进行短距离精细对齐，以实现在小样本情况下对罕见细粒度目标的检测和识别。

Aug, 2021

本论文提出了一种基于Transformer的DUET方法，通过自我监督的多模态学习范式，整合了预训练语言模型（PLMs）的潜在语义知识，实现零样本学习并取得了最先进的性能表现。

Jul, 2022

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

本篇论文对语义分割中的Few-Shot Learning进行了概述，提出了新的分类法，并描述了当前的局限性和展望。

Apr, 2023

LSFSL improves the generalizability and robustness of few-shot learning models by incorporating relevant priors and addressing shortcut learning in deep neural networks.

Apr, 2023

我们提出了一种基于少样本语义分割的方法，利用具有充足数据的基础类别训练的模型进行对只有少量数据的新类别的分割，并引入了类别共享记忆模块和基于不确定性的特征增强模块来提高模型的泛化性能。实验结果表明，我们的方法在广泛使用的PASCAL-5i和COCO-20i数据集上相比最先进的方法具有卓越的性能。

Jun, 2024

通过结合局部表示和高层语义表示的互补优势，我们提出了 Meta-Feature Adaption 方法 (MF-Adapter)，并使用 Meta-Feature Unit（MF-Unit）来适应图片特征，从而在无标签样本下达到更好的分类性能。

Jul, 2024

本研究解决了传统基于度量的方法在少量样本分类中的局限性，尤其是未能充分利用浅层特征的问题。我们提出了一种新方法，通过多输出嵌入网络映射样本到不同特征空间，并结合自注意机制来改进特征提取，最终显著提升了分类性能。实验结果表明，该方法在MiniImageNet和FC100数据集上效果优异，展示了其在少量样本图像分类中的潜在影响。

Sep, 2024