近年来元学习研究的重点是开发能够在有限的数据和较低的计算成本下快速适应测试时间任务的学习算法。小样本学习是元学习的标准基准之一。在这项工作中，我们证明了一个简单的基线:学习元训练集上的监督或自我监督表示，然后在这个表示上训练一个线性分类器，比目前最先进的小样本学习方法要好。通过使用自蒸馏可以获得额外的提升。这表明使用一个好的学习嵌入模型比复杂的元学习算法更有效。我们相信，我们的发现促使我们重新思考小样本图像分类基准和元学习算法的相关作用。

https://www.zhuanzhi.ai/paper/595e45f2363adc86112e6809a3e70074

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“FSIC” 就可以获取《【MIT-Google】反思小样本图像分类:一个好的嵌入是你所需要的全部?》专知下载链接

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源