Clip+小样本学习 顶会顶刊轻松发！

CLIP（Contrastive Language-Image Pre-training）是一种强大的多模态模型，它通过对比学习将图像和文本映射到一个共同的特征空间。小样本学习（Few-Shot Learning）是指在只有少量标注数据的情况下进行模型训练和任务适应。将CLIP与小样本学习结合，可以充分利用CLIP的跨模态表征能力，快速适应新的任务

今天就这两种技术结合clip+小样本整理出了10篇论文+开源代码，以下是精选部分论文

 更多论文料可以关注：AI科技探寻，发送：111  领取更多[论文+开源码】 

论文1

AMU-Tuning: Effective Logit Bias for CLIP-based Few-shot Learning

AMU-Tuning：有效的CLIP基础少样本学习的逻辑偏差

方法：

1. 统一公式分析：首次从逻辑偏差的角度引入统一公式来分析基于CLIP的少样本学习方法。

2. 关键组件拆解：将计算逻辑偏差的三个关键组件（即逻辑特征、逻辑预测器和逻辑融合）进行拆解，并实证分析其对少样本分类性能的影响。

3. AMU-Tuning方