随着深度学习的发展，计算机视觉领域取得了显著进展。然而，在小样本学习（Few-Shot Learning）场景下，传统的全局特征匹配方法往往难以捕捉图像中的细粒度信息，导致性能下降。

为了解决这一问题，研究者提出了Set-to-Set区域特征匹配方法，通过比较图像中的局部区域特征来提升匹配效果。

随着深度学习的发展，计算机视觉领域取得了显著进展。然而，在小样本学习（Few-Shot Learning）场景下，传统的全局特征匹配方法往往难以捕捉图像中的细粒度信息，导致性能下降。

为了解决这一问题，研究者提出了Set-to-Set区域特征匹配方法，通过比较图像中的局部区域特征来提升匹配效果。

Few-shot learning旨在利用极少量数据使模型适应一个任务。由于样本量及其稀少，提取有效知识变得困难，模型非常容易过拟合到背景和噪声信息上。

本文调查了few-shot learning中提取知识的方法，包括模型结构、微调策略、度量策略等方面的设计，并希望总结出一些规律，在prompt tuning的设计上能够有所启发。