深度视觉跨域少样本学习研究综述
计算机视觉与模式识别
2023-03-17 v1
摘要
少样本迁移学习已成为研究的主要焦点，因为它允许利用有限的标注数据识别新类别。虽然通常假设训练与测试数据具有相同的分布，但在现实应用中往往并非如此。当新类别分布与已学类别显著不同时，这会导致模型迁移效果下降。跨域少样本（CDFS）研究应运而生以解决此问题，形成了更具挑战性且更现实的设定。在本综述中，我们从问题设定及相应解决方案的角度对 CDFS 给出详细分类。我们总结了现有的 CDFS 网络架构，并讨论了分类法所指各方向的解决思路。此外，我们介绍了多种 CDFS 下游应用，并概述了分类、检测与分割基准及相应评估标准。我们还讨论了 CDFS 研究的挑战并探索未来研究的潜在方向。通过本综述，我们旨在提供关于 CDFS 研究的全面指导，使研究者能够洞察当前最先进水平，同时能基于现有解决方案构建他们自己的 CDFS 模型。
引用
@article{arxiv.2303.09253,
title = {A Survey of Deep Visual Cross-Domain Few-Shot Learning},
author = {Wenjian Wang and Lijuan Duan and Yuxi Wang and Junsong Fan and Zhi Gong and Zhaoxiang Zhang},
journal= {arXiv preprint arXiv:2303.09253},
year = {2023}
}