摘要

使用标准交叉熵损失训练的深度网络在进行微调时，已成为少样本学习（few-shot learning）的一个强大基线方法。当采用归纳式微调（transductive fine-tuning）策略时，该方法在Mini-ImageNet、Tiered-ImageNet、CIFAR-FS和FC-100等标准数据集上的表现超越了当前最先进的技术水平，且在使用相同超参数的情况下依然保持优势。该方法的简洁性使得我们首次实现了在ImageNet-21k数据集上的少样本学习结果。我们发现，即使面对大量少样本类别，采用大量元训练类别仍能带来较高的少样本分类准确率。尽管我们并不主张该方法是少样本学习的最终解决方案，但其结果有助于揭示当前基准测试和少样本学习协议存在的局限性。通过对基准数据集进行大量实验研究，我们提出了一种量化“少样本任务难度”（hardness of a few-shot episode）的指标，该指标可用于以更加系统化的方式报告少样本算法的性能表现。