最新热点！结合创新！小样本学习+CLIP：超好上手的思路，爽发顶会顶刊

今天给大家推荐一个很好上手的创新思路：小样本学习+CLIP。

这个思路的优势在于：通过利用CLIP模型强大的跨模态表征能力，再结合小样本学习技术，我们就可以在仅提供少量标注样本的情况下，快速适应新的任务，在多个领域实现高效的学习。

更值得一提的是，最近这个方向吸引到了一大波研究兴趣，各大顶会顶刊上相关成果数量繁多，比如收录于CVPR 2024的AMU-Tuning方法、DeIL方法等，以及顶刊IJCV 2024上的CLIP-FSAR框架，投稿热度可见一斑。

为了帮助有论文需求的同学更好地掌握这个创新思路，今天我就来分享11种小样本学习+CLIP创新方法，都是今年最新，开源代码已附~

论文原文+开源代码需要的同学看文末

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

方法：论文提出了一种名为AMU-Tuning的方法，用于改进基于CLIP模型的小样本学习性能。该方法通过分析关键组件——logit特征、logit预测器和logit融合——来学习有效的logit偏差，并通过利用辅助特征、多分支训练的特征初始化线性分类器以及基于不确定性的融合策略，将logit偏差有效地整合到CLIP中，以提高小样本分类的准确性。