针对小样本学习中背景的捷径学习问题进行修正

训练与评估之间的类别差距被认为是少样本学习（Few-Shot Learning, FSL）取得成功的主要障碍之一。本文首次通过实证研究发现，图像背景——这一在现实图像中常见的视觉元素——可作为有助于类内分类的捷径知识，但在跨训练类别泛化时却缺乏可迁移性。为此，我们提出一种新颖的框架COSOC，该框架在训练和评估阶段均无需额外监督，即可自动提取图像中的前景对象，从而缓解背景依赖问题。在归纳式少样本学习任务上的大量实验表明，所提出方法具有显著的有效性。