[摘要]：机器学习在数据密集型应用中非常成功，但当数据集很小时，它常常受到阻碍。为了解决这一问题，近年来提出了小样本学习(FSL)。利用先验知识，FSL可以快速地泛化到只包含少量有监督信息的样本的新任务中。在这篇论文中，我们进行了一个彻底的调研，以充分了解FSL。从FSL的正式定义出发，我们将FSL与几个相关的机器学习问题区分开来。然后指出了FSL的核心问题是经验风险最小化是不可靠的。基于先验知识

利用ImageNet进行医学图像分析的迁移学习研究论文地址Abstract近年来，在非医学ImageNet数据集上经过良好训练的卷积神经网络(CNNs)使用迁移学习(TL)对医学图像进行分析中显示了有希望的结果。我们的目的是进行范围审查，以确定这些研究，并总结它们在问题描述、输入、方法和结果方面的特征。在22个解剖区域中，眼睛(18%)、乳房(14%)和大脑(12%)是最常被研究的。在72%的微调

SCNet:通过自我对比的背景原型增强Few-Shot语义分割论文地址摘要大多数先进小样本分割都利用了度量学习框架，该框架通过将每个像素与学习到的前景原型进行匹配来进行分割。然而，只使用前景原型会导致分类偏倚。为了解决这一问题，本文在Few-Shot语义分割中引入了一种互补的自对比任务。我们的新模型能够关联每一个区域上的原型，无论这个区域是属于前景还是背景。为此，我们直接从查询图像中生成自我对比的

用于 Few Shot 分割的自引导和交叉引导学习摘要Few Shot Segmentation由于能够有效地分割少量带注释样本的未见对象类而备受关注。现有的方法大多使用掩码全局平均池化(GAP)将带注释的支持图像编码为特征向量，以方便查询图像分割。然而，由于平均操作，这一操作不可避免地丢失了一些判别信息。在本文中，我们提出了一种简单但有效的自我引导学习方法，其中丢失的关键信息被挖掘。具体来说，通

很多Github项目，尤其是论文的开源代码大多都是在Linux下编写的，如果自己的电脑是Windows的话很不方便（Mac倒是基于Linux，可惜Mac无Cuda），容易出现各种奇怪的问题，所以如果有Linux服务器的话，还是尽量在Linux上跑代码。Pycharm只有专业版才有远程连接的功能，可以用学生邮箱注册免费使用，哪怕你不是学生只要搞个学生邮箱就行（.edu邮箱），目前只需要邮箱认证一下就

很多Github项目，尤其是论文的开源代码大多都是在Linux下编写的，如果自己的电脑是Windows的话很不方便（Mac倒是基于Linux，可惜Mac无Cuda），容易出现各种奇怪的问题，所以如果有Linux服务器的话，还是尽量在Linux上跑代码。Pycharm只有专业版才有远程连接的功能，可以用学生邮箱注册免费使用，哪怕你不是学生只要搞个学生邮箱就行（.edu邮箱），目前只需要邮箱认证一下就