他们使用相同的技术，但研究不同的问题。

迁移学习并不意味着新类的样本很少（每个类只有 1 个）。很少有人学习。

迁移学习的目标是获得可用于各种下游判别任务的可迁移特征。一个例子是使用 ImageNet 预训练模型作为任何下游任务的初始化，但请注意，我们需要对这些新类的大量数据进行训练，以使模型适合该任务。

请注意，您不能在几个 COCO 示例上微调 ImageNet 分类器并期望它能够很好地泛化，因为它不会。它没有针对少样本学习进行明确优化。

在少样本学习中，我们的目标是获得可以从少样本中泛化的模型。这可以是迁移学习的（对通常的迁移学习场景进行某些更改），也可以是元学习的。它可能不需要两者，它可以在测试期间使用来自新类的数据进行扩充，并且可以从头开始训练分类器。