摘要
跨域少样本分类（CDFSC）是一项具有挑战性的任务，由于不同域之间的分布差异显著，使得这一任务尤为困难。为了解决这一挑战，许多方法致力于学习可迁移的表示。多层感知器（MLP）在各种下游任务中展示了其学习可迁移表示的能力，例如无监督图像分类和有监督概念泛化。然而，MLP 在少样本设置中的潜力尚未得到全面探索。本研究旨在探讨 MLP 在解决 CDFSC 挑战方面的潜力。具体而言，我们引入了三种不同的框架，分别对应三种类型的少样本分类方法，以验证 MLP 的有效性。我们发现，MLP 可以显著增强判别能力并缓解分布偏移，这一点通过涉及 10 种基线模型和 12 个基准数据集的大量实验得到了支持。此外，我们的方法甚至在性能上优于其他最先进的 CDFSC 算法。