Zero-Shot & Few-Shot_few-shot和zero-shot

有监督学习

  在传统的监督学习中，需要给模型输入数据和对应的标签，比如猫和狗的图片以及猫和狗的类别标签，然后去训练模型，才能够得到用于猫狗分类的模型。但此模型只能用于猫狗分类，不能区分猫狗之外的其他类别。

零样本学习

  零样本学习（Zero-Shot）与传统的监督学习形成对比。利用训练集数据训练模型，使得模型能够对测试集的对象进行分类，但是训练集类别和测试集类别之间没有交集；期间需要借助类别的描述，来建立训练集和测试集之间的联系，从而使得模型有效。
  假设定义一个特征空间$X$，即深度神经网咯提取到的特征；语义空间$A$，即未出现在训练集中的类别的描述。零样本学习需要做的，便是建立特征空间到语义空间的映射。

少样本学习

  少样本学习（Few-Shot）是利用少量标注样本进行学习

参考文章

【计算机视觉】Zero-shot, One-shot和Few-shot的理解