小樣本學習現在的工作主要是集中在圖像分類嗎？

看了一些綜述，做小樣本圖片分類的方法有基於模型的，基於度量的，基於優化的，具體哪一種方法是現在研究的比較多的啊。小樣本目標識別與檢測這方面有好的方法嗎？感覺目標識別與檢測這方面研究的比較少，沒有成體系。

是指Few-Shot Learning么？

從paperswithcode: few-shot-learning的數據集和文章統計來看，確實集中於Few-Shot圖像分類和One-Shot圖像分類。

近兩年Few-Shot的文章越來越多了，但整個領域還很不成熟，甚至連專用數據集都不多（集中於圖像分類）。

我對目標檢測不熟悉，但目標檢測比圖像識別更困難，因此用於Few-Shot的數據集也更難製作。如果能構造合適的資料庫應該有很大研究價值。

是的

Few-shot Learning 確實是深度學習發展的方向之一，而且目前已經有不少相關的論文了。最初的少樣本學習確實集中在圖像分類上，但在我的圖像分割方向里，few-shot segmentation相關的工作也不少了。

說到檢測，目前few-shot detection 應該是few-shot learning在圖像三大任務中研究最少的，從目前的性能，以及網路設計看還沒出現什麼比較有效的「套路」（大概？）。不過現有研究少，所以入門困難，但也說明比較好發文章？

附上一篇比較經典的方法：

Few-shot Object Detection via Feature Reweighting

在github上做了一個few-shot learning，主要是classification task的梳理，包括paper，code，dataset，有興趣的可以移步至這裡。後續會持續update哦

是的目前容易做的也就是圖像分類增加新類別

工程上也只能用度量學習的方法做因為端側不具備學習訓練能力

現有的工作因為數據集的原因，大多都是在圖像分類的任務上做的。但其實圖像數據的尋找和 labeling 的成本應該不高，所以長遠來看 few-shot learning 應該會在獲取樣本成本高的領域有比較顯著的作用，比如 reinforcement learning 或者 robotics 相關的。可以看看這個： https://icml.cc/Conferences/2019/ScheduleMultitrack?event=4340

我寫了一篇小樣本分割的綜述，歡迎各位大佬垂閱，提出意見

小艾：小樣本分割綜述?

zhuanlan.zhihu.com