基本概念 小样本学习(Few-Shot Learning, FSL)任务，顾名思义，就是能够仅通过一个或几个示例就快速建立对新概念的认知能力。实现小样本学习的方式也有很多，比如：度量学习、数据增强、预训练模型、元学习等等，其中元学习是目前广泛使用的处理小样本学习问题的方法。 元学习(meta learning或learning to learn)，也称学会学习，元学习算法能够在学习不同任务的过

摘要：我们为小样本分类问题提出了原型网络，其中分类器能够很好的泛化到其他没有在训练集中出现的新类别，对于每一种新出现的类别，我们只给出很少的样本。原型网络学习一个度量空间，在该空间中，可以通过计算到每个类的原型表示的距离来执行分类。与最近的小样本学习方法相比，它们反映了一种更简单的归纳偏差，有利于在这种有限的数据范围内使用，并取得优异的效果。我们提供了一个分析，表明一些简单的设计决策比最近涉及复杂

变分原型编码器VPE：原型图象的one-shot learning 将真实输入图像到对应的原型图像的图像转换任务当作元任务。因此VPE学习的是图像相似性和原型图像。Prototypical Images 1 核心思想 首先，明确一下原型图像的概念：标准形式、没有任何形变和干扰信息的原始符号，也可以成为典范域。（结合下图理解） 上面一行是交通标识，下面一行是徽标。可以看出是没有任何背景的、

Gao [9] 等人提出文本与图像的一大区别在于其多样性和噪音更大，因此提出一种基于混合注意力的原型网络结构，如图 9 所示，首先使用 instance-level 的 attention 从支撑集中选出和 query 更为贴近的实例，同时降低噪声实例所带来的影响。 然后 feature-level 的实例能够衡量特征空间中的哪些维度对分类更为重要，从而为每种不同的关系都生成相适应的距离度量函数