少镜头分类精度领先
通过混合优化与数据增强策略，缓解了传统MAML在不同任务间共享初始化的偏差，提升了少镜头分类的泛化性能。
Jinfang, Jia · 冯翔 · 虞慧群
Engineering Applications of Artificial Intelligence 2024
通过初始化衰减，为不同任务保留各自最优的初始化参数，减少共享初始化带来的偏差。
引入数据增强，在训练过程中增加样本多样性，使模型能更好地泛化到新任务。
通过分辨率提升，可以在较高分辨率图像上进行元学习训练，取得更好性能。
方法不改变MAML的简洁性和模型无关性，可应用于任意基于梯度的模型。