這篇文章主要講的是 域自適應小樣本學習。
當前主流的小樣本學習有個關鍵的隱性假設是小樣本的類與源類樣本具有近似的樣本空間。
然而很多情況下，小樣本問題的樣本空間和源樣本空間並不完全一致。
所以提出了域自適應小樣本學習。
解決方案是在DAPN中嵌入領域自適應特徵學習之前，顯式地增強每類的源/目標分離，以減輕領域對齊對FSL的負面影響。大量實驗表明，DAPN優於最先進的FSL和DA模型
The goal of our DA-FSL is to exploit Ds and Dd for training a classifier that can generalize well to T .
DA-FSL的目標是利用Ds和Dd訓練一個能夠很好地推廣到T的分類器。
