这篇文章给出了用元学习做few-shot的baseline。整体感觉是实验做得很丰富，但是创新不太明显，简单总结一些实验过程和结论。code：https://github.com/cyvius96/few-shot-meta-baseline。
关于元学习和few-shot的基本内容有个很好的解释：Model-Agnostic Meta-Learning （MAML）模型介绍及算法详解（转载 。
baseline包括两部分：classifier-baseline和Meta-Baseline。
classifier-baseline：在base类上预训练一个分类器，然后移去最后一个分类器。把novel类的support特征都提出来，求均值作为每个类中心，然后把novel类的query数据按照余弦相似性进行分配（这个过程是eval过程，在meta-baseline中是meta-learning过程）。和之前方法的区别：之前的方法是吧novel数据扔进网络微调分类器，而本文不需再训练这个丢掉的分类器。就这个操作就和sota能打了。
meta-baseline：然后是这个东西，用于在classifier-baseline再提升。在meta-learning过程，利用上面的eval方法进行训练。
下图很明确：
性能：
一些赠品：
base和novel的类别相似性影响meta-learning能否提升classifier-baseline
数据规模越大，meta-learning提升越小
meta-learning对于1-shot提升要高于5-shot
meta-learning阶段，base class的泛化性能增加，而novel class的泛化性能在下降。如下图：
