摘要
少样本学习是指利用少量示例来学习新类别的过程，它仍然是机器学习领域的一个挑战性任务。许多复杂的少样本学习算法已经提出，其基本理念是网络在仅使用少量示例进行微调时容易过拟合到新示例。在本研究中，我们展示了在常用的低分辨率 mini-ImageNet 数据集中，微调方法在1-shot任务中的准确率高于常见的少样本学习算法，在5-shot任务中的准确率接近最先进的算法。随后，我们使用更具实际意义的任务对我们的方法进行了评估，即高分辨率单域和跨域任务。在这两项任务中，我们证明了我们的方法比常见的少样本学习算法具有更高的准确率。我们进一步分析了实验结果，并表明：1）通过采用较低的学习率可以稳定重新训练过程；2）在微调过程中使用自适应梯度优化器可以提高测试准确率；3）当基础类别和新类别之间存在较大的领域偏移时，更新整个网络可以提高测试准确率。