这些（少数）事物中有一个与众不同

为了表现良好，大多数基于深度学习的图像分类系统需要大量的数据和计算资源。这些限制使得难以快速个性化到个人用户或在功能较弱的机器之外训练模型。为了解决这些问题，已有大量研究致力于教会机器仅基于少量训练样本学习分类图像，这个领域被称为小样本学习。小样本学习研究传统上做了一个简化假设，即所有图像都属于固定数量的先前见过的组之一。然而，许多图像数据集，例如手机上的相机胶卷，将是嘈杂的，并且包含可能不相关或不属于任何清晰组的图像。我们提出了一个模型，它既能基于少量样本对新图像进行分类，又能识别不属于任何先前见过组的图像。我们调整了先前的小样本学习工作，加入了一个简单的机制来学习一个截断值，该截断值决定图像应该被排除还是分类。我们检验了我们的方法在现实环境中的表现，在一个嘈杂且模糊的图像数据集上对该方法进行了基准测试。我们评估了在一系列模型架构上的性能，包括小到足以在低功耗设备（如手机或网络浏览器）上运行的设置。我们发现，排除不相关图像的任务比传统的小样本任务带来了显著的额外难度。我们分解了这种误差的来源，并提出了可能减轻这种困难的未来改进。