摘要
得益于深度学习研究和大规模数据集的发展，显著性预测在过去十年中取得了显著成功。然而，对于缺乏足够数据的新领域图像，预测显著性图仍然是一项具有挑战性的任务。为了解决这一问题，我们提出了一种少样本迁移学习范式用于显著性预测，该范式能够高效地将现有大规模显著性数据集中的知识迁移到目标域，即使目标域只有少量标记样本。具体而言，利用非常少量的目标域样例作为参考，在源域数据集上训练模型，使得训练过程能够收敛到有利于目标域的局部最小值。然后，使用这些参考样例对已学习的模型进行进一步微调。所提出的框架基于梯度且与模型无关。我们在多种源域和目标域组合上进行了全面的实验和消融研究。结果表明，所提出的框架实现了显著的性能提升。代码已在 \url{https://github.com/luoyan407/n-reference} 公开发布。