小样本学习也可以实现高精度模型

作为CVer，没有人能够忽略顶会论文可以带来的巨大价值，着眼未来，往这方面投入，收益比基金炒股UpUp～

之前有入职某大厂的师兄过来吐槽：新来的同事只因发过几篇顶会论文，年薪就比自己这个入职几年的前辈高了几十万……

发顶会变得越来越难，顶会论文也变得越来越卷……

AI崛起十年之久，在学术研究领域，那些易于摘取的低垂的研究果实，基本已被研究者们摘完了，而隐藏在高处的果子，一般人很难拿下。发一篇不水的论文已经不容易，何况顶会论文。

很多童鞋拔剑四顾心茫然，尤其对刚刚踏入AI领域的研究生宝宝们，对领域还没有完整的认知，很难找到新的研究创新点，而做研究最关键的就是创新点和idea。

那如何快速高效准确的获得创新点呢？

一、新瓶装旧酒

用新方法研究老问题。这其实是一种较为常见的思路，对于已经有解决方案的老问题，如果能改进方法或者换一种思路，那么做出一篇新文章并不在话下。

那些长盛不衰的研究主题往往都是各专业领域内较为重要或困难的。虽然已经有大量的学者深入探讨过，但只需在现有的基础上对方法做出一点点的微调，都能被视作重要的创新点。

所以首先要对整个领域有一个系统的理解，才能找到一个值得研究的老问题。

小样本学习（FSL），是一种机器学习方法，它会训练包含有限信息的数据集。在小样本学习兴起之前，常见做法是提供可以接收尽可能多数据的模型，以使模型能够更好地预测。而小样本学习旨在用较少的训练数据构建准确的机器学习模型。因其小而美的特点也在工业和学术界掀起研究的热潮。11月2日，顶会顶刊审稿人Henk老师，带大家梳理小样本学习领域最新发展状况。

前100名扫码即刻预约免费听课

一起高效 get idea

（文末免费领取超20G论文资料包）

二、酒桶酿新酒

利用老方法研究新问题。这里所说的新问题，并不一定是领域内的突破性构想或大问题，相反它可能只是某个大问题下看起来不那么重要的“细枝末节”。

这种思路的难点在于，作为初学者，大部分童鞋其实很难意识到“哪个问题是新问题”。如果没有经验丰富的老师指导或大量的文献阅读，短期内并不容易实现。

因此，建议各位萌新宝宝都来听一听这节公开课。

11月2日，顶刊审稿人指导你发现研究方向还有哪些还未被摘取的果实，哪些是科研新手们可以尝试的方向。了解到如何提出一个simple but effective and robust的idea，并从审稿人的角度指导顶会顶刊论文的写作套路。