在深入研究图像小样本分类的领域时，我们发现大多数现有的研究工作主要集中在单标签场景中，即每个训练图像仅包含一个对象和对应的一个类别标签。然而，现实世界中的许多场景涉及到多对象和多标签，这使得对于多标签小样本图像分类的研究变得尤为重要。
为了解决这个问题，IBM的研究团队致力于开发新技术，以便能够更有效地处理具有大量不确定性的小样本数据集。在2019年CVPR大会上，我们展示了LaSO（Label-Set Operations networks for multi-label few-shot learning）网络，该网络旨在通过合并、交叉和减法等操作来创建新的训练样本，从而扩展有限的训练数据集。
LaSO网络是一种特殊类型的人工智能系统，它可以直接在深度神经网络学习特征空间内进行操作，而无需额外输入或人工干预。这种能力使得LaSO能够潜在地泛化到包括未见过新类别的图像上，从而挑战传统的小样本学习方法。
我们还设计了一个新的基准测试来评估LaSO在多标签小样本分类任务中的表现，并且结果显示该技术具有很强的应用潜力。此外，我们希望这项工作能激励更多研究者参与到这一有趣且实用性的领域中来。
