【读点论文】Overall positive prototype for few-shot open-set recognition大型标注数据集和强大的卷积神经网络模型的可用性导致了图像识别研究的重大进展。然而，在医疗或军事图像等场景中，数据采集仍然是一项具有挑战性的任务，标记大型数据集需要大量的人力。为了应对这些挑战，少样本学习被引入作为解决有限标记数据问题的有前途的方法。当前的 few-shot 学习方法依赖于计算查询样本和已知类原型之间的相似性，这将任务限制为闭集识别。尽管如此，在现实世界中，并不是所有的实例都标有类，并且有无限多的实例类型。