A Comprehensive Review of Few-shot Action Recognition

Few-shot action recognition旨在解决手动标记复杂和可变视频数据在动作识别中的高成本和不实用性。它要求仅使用每类少量标记示例准确分类视频中的人类动作。与图像场景中的few-shot学习相比，few-shot action recognition更具挑战性，因为视频数据的本质复杂性。识别动作涉及建模复杂的时间序列和提取丰富的语义信息，这超出了每个帧中仅仅是人类和物体识别的范畴。此外，有限的视频样本使得类内变异问题尤为突出，使得学习新型动作类别的代表性特征变得更加复杂。为了克服这些挑战，许多方法在few-shot action recognition方面取得了重大进展，这凸显了全面调查的必要性。与早期专注于few-shot图像或文本分类的调查不同，我们深入考虑few-shot action recognition的独特挑战。在这项调查中，我们回顾了各种最新方法并总结了一般框架。此外，该调查介绍了常用的基准测试，并讨论了相关的高级主题和有前途的未来方向。我们希望这项调查可以成为研究人员的有价值的资源，为新手提供必要的指导，为经验丰富的研究人员提供新的见解。

本文旨在解决少样本动作识别的问题，即如何用极少量的样本来识别视频中的人类动作。

本文提出了一种基于元学习的方法，通过在元训练中学习如何快速适应新的动作类别，来进行少样本动作识别。

本文使用了多个数据集进行实验验证，并且与当前主流的少样本动作识别方法进行了比较。同时，本文还探讨了元学习在少样本动作识别中的应用前景。

近期的相关研究包括：Few-Shot Learning for Action Recognition: A Review以及Meta-Learning for Few-Shot Learning等。