一篇总结整理近来few-shot分类的文章（近来文章一些毛病：code实现细节很难说清真正的gain在哪，一些baseline被压得太低，base类和novel类之间的域差异不明显导致评估也不可能不太准）。作者复现了一下主要的几篇工作，然后总结如下：更深的backbone在不同域上的表现对于不同方法差不多；整理了一个baseline并在mini-ImageNet和CUB数据上和当前的sota表现差不多（通过用基于距离的分类器来替代原有传统的线性分类器）；提了一种新的设定来评估few-shot分类中corss-domain的泛化能力。当backbone较浅的时候，减少类内方差是非常重要的，而更深的backbone则淡化了这种域影响，所以对于方法的选择不敏感了。
给定未知类的几个标签人类就可以轻松的记住这种新类，当其再次出现的时候，可以轻松识别。对于机器很难，这种任务就是few-shot classfication。已有的主要方法：元学习，即从一组任务中提取并传播可迁移的知识来避免过拟合，提高泛化能力。元学习方法主要分为:model initialization based methods、metric learning methods（本文所用）、hallucination based methods。
如上图:
首先提出的是baseline： 就是常规的源域训练+目标域微调。（迁移学习）
然后提出的是baseline++：用来减少类内差异。具体的做法基本和baseline一样，除了分类器部分：baseline就是常规的线性分类器：
而baseline++是变成了余弦相似性距离：
然后再对这个距离进行softmax，后续一样。所以这个版本就是除了个模值。这就是文中所谓的线、RelationNet性分类器变成了基于距离的分类器。正因为直接优化的是这个余弦距离，所以文中说“更明确”的减少类内方差。当然这个简单的小操作在其他工作中已经用过，文中也说明了这点。
如上图，文中用了三种距离度量学习，都是已发表的工作（MatchingNet、ProtoNet、RelationNet）。
结果
主要包括三个方面：常规目标识别（mini-ImageNet数据集）、细粒度分类（CUB-200-2011数据集）、跨域适应（mini-ImageNet →CUB）。
baseline++还是与sota可comparable 的。下面这个是few-shot分类精度与backbone深度的对比：很明显深度越深，不同方法性能的gap影响越小。
最后这个图是说明跨域的问题：baseline反而最抗打，主要可能是因为baseline++中另外减少类内变化会影响适应性。解释稍有点勉强但也说得过去。
代码：