這篇文章給出了用元學習做few-shot的baseline。整體感覺是實驗做得很豐富，但是創新不太明顯，簡單總結一些實驗過程和結論。code：https://github.com/cyvius96/few-shot-meta-baseline。
關於元學習和few-shot的基本內容有個很好的解釋：Model-Agnostic Meta-Learning （MAML）模型介紹及算法詳解（轉載 。
baseline包括兩部分：classifier-baseline和Meta-Baseline。
classifier-baseline：在base類上預訓練一個分類器，然后移去最后一個分類器。把novel類的support特征都提出來，求均值作為每個類中心，然后把novel類的query數據按照余弦相似性進行分配（這個過程是eval過程，在meta-baseline中是meta-learning過程）。和之前方法的區別：之前的方法是吧novel數據扔進網絡微調分類器，而本文不需再訓練這個丟掉的分類器。就這個操作就和sota能打了。
meta-baseline：然后是這個東西，用於在classifier-baseline再提升。在meta-learning過程，利用上面的eval方法進行訓練。
下圖很明確：
性能：
一些贈品：
base和novel的類別相似性影響meta-learning能否提升classifier-baseline
數據規模越大，meta-learning提升越小
meta-learning對於1-shot提升要高於5-shot
meta-learning階段，base class的泛化性能增加，而novel class的泛化性能在下降。如下圖：
