这篇博客介绍了ICLR2022会议上关于few-shot图像分类的研究，重点探讨了如何提升模型在小样本情况下的泛化能力和对抗性鲁棒性。作者分享了一篇论文链接，该论文提出了一种简单的方法来增强模型在小样本图像分类任务中的对抗性鲁棒性，这对于解决模型泛化能力和鲁棒性问题具有重要意义。
ICLR 2022 few shot image classification paper（一）
最近调研了ICLR2022接收的paper。发现一些有趣的paper，关于few-shot ICLR2022接收paper链接。其中有几篇有趣的paper，小样本学习的主要目标是让模型只通过少量的训练样本，就能很好的泛化到测试任务上。但是分类器容易受到攻击，严重影响模型的泛化能力。换种说法就是模型不够鲁棒，模型不鲁棒不只是few-shot image classification 的问题，其他CV任务也是一样。提升模型的泛化能力是一件很有意义的工作。于是发现了大佬的工作，如下：
A SIMPLE APPROACH TO ADVERSARIAL ROBUSTNESS IN FEW-SHOT IMAGE CLASSIFICATION 下载链接
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
