图2,我们的总体策略。1）训练模型以区分相同/不同对的集合。2）根据学习到的特征映射进行概括以评估新类别，以进行验证。
通常，我们通过具有监督性的基于度量的方法使用孪生神经网络来学习图像表示，然后将该网络的功能重新用于一次学习，而无需进行任何重新训练。
在我们的实验中，我们将注意力集中在字符识别上，尽管基本方法几乎可以用于任何形式（图二）。对于这个领域，我们使用大量的孪生卷积神经网络，其中a）能够学习通用图像特征，这些特征对于做出关于未知类分布的预测非常有用，即使这些新分布中的例子很少。 b）使用标准优化技术对从元数据采用的对进行轻松训练；c）通过利用深度学习技术，提供了一种不依赖于特定领域知识的竞争性方法。
要开发用于单次图像分类的模型，我们的目标是首先学习一个可以区分图像对的类身份的神经网络，这是图像识别的标准验证任务。我们假设，在验证方面表现出色的网络应该推广到一键式分布。验证模型学习根据输入对属于相同类别或不同类别的可能性来识别输入对。然后可以使用该模型以成对的方式针对测试图像评估新图像，每个新颖类恰好一个。然后根据验证网络将得分最高的配对授予一次任务的最高概率。如果验证模型学习到的特征足以确认或拒绝一组字母中的字符的身份，那么对于其他字母来说，他们应该就足够了，只要该模型已暴露于各种字母中以鼓励之间的差异学习的功能。
总体而言，对一次性学习算法的研究还很不成熟，并且机器学习社区对此的关注还很有限。但是，本文之前还有一些关键的工作领域。
一键式学习的开创性工作可以追溯到2000年初的李飞飞等人。作者开发了一个变种的贝叶斯框架，用于 oneshot 图像分类，前提是在给定类别中只有很少的示例可用时，可以利用先前学习的类别来帮助预测未来的类别（Fe-Fei等，2003；Fei-Fei 等）等（2006）。最近，Lake等人。从认知科学的角度解决了一次性学习的问题，通过一种被称为“层次贝叶斯程序学习”（HBPL）的方法解决了用于字符识别的一次性学习（2013）。在一系列的几篇论文中，作者模拟了生成字符的过程，以将图像分解成小块（Lake等，2011；2012）。HBPL的目标是确定所观察像素的结构说明。但是，由于联合参数空间很大，因此在HBPL下进行推理很困难，从而导致难以解决的集成问题。
一些研究人员考虑了其他方法或转移学习方法。湖等。最近有一些工作，该工作针对语言原语来识别未知说话者的新单词（2014年）。Maas和Kemp在使用贝叶斯网络预测 Ellis Island 乘客数据的属性（2009年）的著作中只有少数发表，Wu和Dennis在机器人制动的路径规划算法的背景下解决了一次性学习（2012）。Lim着重研究如何通过调整衡量损失函数中的每个训练样本应加权每个类别多少的度量，来“借用” 训练集中其他类别的示例。对于某些类别几乎没有示例的数据集，此想法可能很有用，它提供了一种灵活且连续的方式，将类别间信息纳入模型。