元训练增强网络
少样本精度提升
一种双回路交替训练的元训练范式，在保持预训练泛化能力的同时，提升少样本分类精度。
Weihao, Jiang · Guodong, Liu · Luo Yanwen · 何琨
Engineering Applications of Artificial Intelligence 2025
参数信息
- miniImageNet 5-way 1-shot 精度
- 64.01 %
- tieredImageNet 5-way 1-shot 精度
- 69.73 %
- CUB 5-way 1-shot 精度
- 68.07 %
- miniImageNet 5-way 5-shot 精度
- 81.00 %
- tieredImageNet 5-way 5-shot 精度
- 84.91 %
- CUB 5-way 5-shot 精度
- 83.44 %
技术优势
泛化不降
外环在全训练集上更新仅最后一层线性层，防止元训练破坏预训练特征，从而保持对未见过类别的泛化能力。
精度稳超
在三个基准数据集的 5-way 1-shot 设定下，均以约 1% 的幅度超越最佳基线，且该优势在 5-way 5-shot 下保持（提升 1.17%–3.37%）。
即插即用
该方法不依赖特定元学习架构，可与现有基准训练框架集成，直接带来约 1% 的性能提升。
应用场景
- 少样本图像分类：无需标注大量数据即可快速适配新类别，降低数据采集成本。
- 机器人少样本学习：让机器人仅凭少量示范就能学会识别新物体，支撑快速部署。
- 边缘设备快速适配：在边缘设备上仅微调最后一层即可适应新任务，节省算力和带宽。