本文目录一览：
小样本/零样本学习、开集识别?
小样本学习（Few-shot learning）定义：利用少量训练样本（甚至每个类别仅1个样本）实现高准确率分类，突破传统深度学习对大规模数据集的依赖。数据组成：Training Set（训练集）：包含基础类别样本，数据量可少于传统模型。
场景与任务范式拓展方向3：开集目标检测与零样本学习 研究背景：真实场景中常出现训练集未覆盖的目标类别，传统闭集模型性能骤降。突破点：借鉴Grounding DINO 5的思路，利用大规模预训练模型（如CLIP）的语义知识，实现开放词汇检测。
小样本学习：新缺陷类型的泛化能力不足，需结合语言视觉先验知识来提升。
为什么few-shotlearning普遍采用n-wayk-shot的方式?
n-way k-shot场景的设定旨在模拟实际应用中数据稀缺的情况。在测试阶段Few-ShotLearning，我们仅拥有少量标记数据Few-ShotLearning，因此这种设定能帮助评估算法在小样本条件下的性能。从评估角度看Few-ShotLearning，综合大量n-way k-shot任务的平均性能和置信区间，更能准确反映算法的泛化能力。
few-shot learning涉及从很少的标记示例中学习看不见的类。为Few-ShotLearning了避免对有限的可用数据进行过度拟合，引入了元学习来重点关注如何学习。提出原型网络来学习度量空间，其中特定未知类的示例围绕单个原型聚集。虽然它主要部署在计算机视觉中，但Fritzler等人和Hou等人也使用了fewshot-NER的原型网络。
