1 写在前面

未经允许，不得转载，谢谢～～～

这篇是发在CVPR2020 workshop上的paper，文章提出了一个one-shot learning很强的baseline模型，可以用很简单的方法就达到SOTA。

2 主要内容

2.1 motivation

1. Deep learning仍不能泛化到unseen的环境中；
2. One-shot learning：样本充足的base class dataset用来学习必要知识 --> 识别少量标注的unseen novel dataset；
3. One-shot learning最早的通用范式就是pretrain-based method：在base class先用标准的分类任务训练，然后再用这个FC训练。之后meta-learning成为了主流的方法。但是meta learning可能会导致mean shift的问题。也有一些工作发现在meta learning的训练过程中引入原始的分类loss会极大提升性能。 因此，这篇文章重新关注了pretrain-based method。

2.2 this paper

1. 主要pipeline：1）用base class来训练模型，然后冻住训练好的模型参数； 2）在测试阶段，探索了不同的分类器：logistic regression (LR), support vector machine (SVM), nearest neighbor (NN).
2. 提出对pretrained model的特征做normalization可以很大的提升性能；
3. 提出pretrained model提取出来的特征也许包含某些domain-specific的信息，而这些信息可能是对target class的识别有害的，所以用random pruning stategy随机剪枝策略通过去除negaitive的信息来提升模型性能；

3 方法

这个部分的方法其实很简单，主要就是2.2介绍的两点。

1. baseline：对extractor提取出来的feature做L2 normalization；
2. random pruniing： 对提取出来的feature随机加mask，（0-1 mask），当然对mask之后的特征也做L2 normalization。

4 实验

4.1 Comparison with alternatives.

这个baseline加上L2 normalization之后就比之前SOTA的meta-learning的方法都好了。

与更近提出的方法比。找到最佳的特征prune方法能够达到SOTA。