小样本学习现在的工作主要是集中在图像分类吗？

看了一些综述，做小样本图片分类的方法有基于模型的，基于度量的，基于优化的，具体哪一种方法是现在研究的比较多的啊。小样本目标识别与检测这方面有好的方法吗？感觉目标识别与检测这方面研究的比较少，没有成体系。

是指Few-Shot Learning么？

从paperswithcode: few-shot-learning的数据集和文章统计来看，确实集中于Few-Shot图像分类和One-Shot图像分类。

近两年Few-Shot的文章越来越多了，但整个领域还很不成熟，甚至连专用数据集都不多（集中于图像分类）。

我对目标检测不熟悉，但目标检测比图像识别更困难，因此用于Few-Shot的数据集也更难制作。如果能构造合适的资料库应该有很大研究价值。

是的

Few-shot Learning 确实是深度学习发展的方向之一，而且目前已经有不少相关的论文了。最初的少样本学习确实集中在图像分类上，但在我的图像分割方向里，few-shot segmentation相关的工作也不少了。

说到检测，目前few-shot detection 应该是few-shot learning在图像三大任务中研究最少的，从目前的性能，以及网路设计看还没出现什么比较有效的「套路」（大概？）。不过现有研究少，所以入门困难，但也说明比较好发文章？

附上一篇比较经典的方法：

Few-shot Object Detection via Feature Reweighting

在github上做了一个few-shot learning，主要是classification task的梳理，包括paper，code，dataset，有兴趣的可以移步至这里。后续会持续update哦

是的目前容易做的也就是图像分类增加新类别

工程上也只能用度量学习的方法做因为端侧不具备学习训练能力

现有的工作因为数据集的原因，大多都是在图像分类的任务上做的。但其实图像数据的寻找和 labeling 的成本应该不高，所以长远来看 few-shot learning 应该会在获取样本成本高的领域有比较显著的作用，比如 reinforcement learning 或者 robotics 相关的。可以看看这个： https://icml.cc/Conferences/2019/ScheduleMultitrack?event=4340

我写了一篇小样本分割的综述，欢迎各位大佬垂阅，提出意见

小艾：小样本分割综述?

zhuanlan.zhihu.com