Few-Shot少样本图像分类算法总结（含代码链接）

Few-Shot图像分类：全面概述

引言

Few-Shot图像分类 是一项具有挑战性的计算机视觉任务，涉及训练机器学习模型，使其能够仅使用每个类别少量标注样本（通常 < 6 个样本）对图像进行分类。其主要目标是使模型能够在有限的监督和数据下，识别并分类新的图像，而无需在大型数据集上进行大量训练。

---

基准测试（Benchmarks）

以下是Few-Shot图像分类领域中，在常用的基准测试下，各个不同数据集上表现最佳的模型。

数据集	类别数	样本数	最佳模型
Mini-Imagenet	5-way	1-shot	SgVA-CLIP
Mini-Imagenet	5-way	5-shot	SgVA-CLIP
Tiered ImageNet	5-way	1-shot	CAML [Laion-2b]
CIFAR-FS	5-way	1-shot	PT+MAP+SF+SOT
CIFAR-FS	5-way	5-shot	CAML [Laion-2b]
CUB 200	5-way	1-shot	PT+MAP+SF+SOT
CUB 200	5-way	5-shot	CAML [Laion-2b]
FC100	5-way	1-shot	BAVARDAGE
FC100	5-way	5-shot	BAVARDAGE

---

数据集（Datasets）

以下是Few-Shot图像分类领域中常用的数据集：

• ImageNet
• CIFAR-100
• CUB-200-2011
• mini-Imagenet
• Oxford 102 Flower
• Stanford Cars
• iNaturalist
• Caltech-256
• tieredImageNet
• AwA

---

库（Libraries）

以下是Few-Shot图像分类领域中常用的开源库【都属于github仓库，直接搜索即可】：

库名称	相关论文	星标数
sicara/easy-few-shot-learning	12	1,091
learnables/learn2learn	6	2,682
cnguyen10/few_shot_meta_learning	5	246
peymanbateni/simple-cnaps	4	116
plai-group/simple-cnaps	4	56
google-research/big_vision	2	2,432
fmu2/PyTorch-MAML	2	219
nobody-1617/deta	2	17

---

总结

Few-Shot图像分类是一个快速发展的领域，涉及多种数据集、基准测试和开源库。通过不断优化模型和算法，研究人员正在推动这一领域向前发展，使其在实际应用中更加高效和实用。