小样本学习：综述
计算机视觉与模式识别
2020-07-31 v1
摘要
深度神经网络已能在某些情况下超越人类，如图像识别与图像分类。然而，随着各种新类别的出现，持续从有限样本中拓宽此类网络学习能力的同时仍具挑战。元学习（Meta-Learning）和/或小样本学习（few-shot learning）技术展现了 promising 的结果，它们可基于先验知识学习或泛化至新类别/任务。本文中，我们依据方法与评估指标，对计算机视觉领域现有的小样本元学习技术进行研究。我们给出技术的分类法，并将其归为基于数据增强、嵌入、优化与语义的小样本、单样本及零样本学习。随后我们描述每类中具开创性的工作，并探讨其解决小样本学习困境的思路。最后，我们在常用基准数据集Omniglot与MiniImagenet上对这些技术进行比较，并探讨提升其性能以最终超越人类这一目标的未来方向。
引用
@article{arxiv.2007.15484,
title = {Learning from Few Samples: A Survey},
author = {Nihar Bendre and Hugo Terashima Marín and Peyman Najafirad},
journal= {arXiv preprint arXiv:2007.15484},
year = {2020}
}
备注
17 pages, 10 figures