En este trabajo, se ha probado y analizado el funcionamiento de técnicas avanzadas de aprendizaje automático capaces de aprender a partir de pocos ejemplos, conocidas como few-shot learning, en tareas de clasificación de imágenes. Se ha realizado una revisión de los modelos publicados en los últimos años tales como redes prototípicas y redes siamesas. Se ha llevado a cabo la implementación de estos modelos y se ha analizado su rendimiento en dos conjuntos de datos, Omniglot y Mini-ImageNet, sobre tareas de clasificación de imágenes de clases no vistas durante el entrenamiento. El análisis realizado no solo se centra en las capacidades y ventajas de los modelos implementados, sino también en sus limitaciones, con la intención de proporcionar una visión de técnicas emergentes de few-shot learning. Con este mismo propósito se ha introducido otro concepto novedoso llamado zero-shot learning, de forma que tanto este concepto como los modelos implementados de few-shot learning sirvan para la realización de futuros trabajos en este área.
In this paper, we have tested and analyzed the performance of advanced machine learning techniques capable of learning from few examples, known as few-shot learning, in image classification tasks. A review of models published in recent years, such as prototypical networks and siamese networks, has been conducted. We implemented these models and analyzed their performance on two datasets, Omniglot and Mini-ImageNet, for classifying images of classes not seen during training. The analysis not only focuses on the capabilities and advantages of the implemented models but also on their limitations, with the intention of providing insight into emerging few-shot learning techniques. With the same intent, a novel concept called zero-shot learning has been introduced so that both this concept and the implemented few-shot learning models can serve as the foundation for future work in this area.
