面向跨域少样本视觉识别的深度学习：综述
计算机视觉与模式识别
2025-02-19 v4
摘要
尽管深度学习在拥有大量标注数据的计算机视觉任务中表现出色，但在标注样本有限的情况下其性能会显著下降。为此，少样本学习（FSL）通过利用来自相关任务的先验知识，使模型仅需极少标注样本即可执行目标任务。然而，传统 FSL 假设相关任务与目标任务来自同一领域，这一假设在许多存在普遍领域差异的真实场景中具有限制性。为克服该局限，跨域少样本学习（CDFSL）受到关注，它允许源数据与目标数据来自不同领域和标签空间。本文首次对跨域少样本学习（CDFSL）进行全面综述，该领域因其独特挑战相较传统 FSL 受关注较少。我们旨在为研究者提供一篇立场论文兼教程，涵盖关键问题、现有方法与未来研究方向。综述首先给出 CDFSL 的形式化定义并概述其核心挑战，继而按清晰分类体系对当前方法进行系统分析。最后，我们从问题设定、应用与理论进展方面探讨有前景的未来方向。
引用
@article{arxiv.2303.08557,
title = {Deep Learning for Cross-Domain Few-Shot Visual Recognition: A Survey},
author = {Huali Xu and Shuaifeng Zhi and Shuzhou Sun and Vishal M. Patel and Li Liu},
journal= {arXiv preprint arXiv:2303.08557},
year = {2025}
}
备注
Accepted at ACM Computing Surveys; 35 pages, 12 figures, 6 tables