计算机视觉中的少量样本学习（Few-shot learning）使模型能够仅使用少量带标签的示例来识别新物体或模式。当收集大型数据集不切实际时，例如在医学影像或专业工业应用中，这种方法特别有用。其核心思想是利用相关任务或预训练模型中的先验知识，然后用最少的数据快速适应新任务。常用技术包括元学习（训练模型以跨任务高效学习）、迁移学习（微调预训练网络）和数据增强（生成合成示例）。例如，一个在通用物体识别上预训练的模型，可以通过调整最终分类层，仅用少量图像就可以适应识别稀有动物物种。
少量样本学习的一个实际例子是医学影像，模型可能只需要少量标注的扫描图来诊断罕见疾病。通过使用诸如 原型网络 (Prototypical Networks) 的技术，模型可以从有限的示例中为每个疾病类别创建“原型”（平均特征表示）。新的图像通过将其特征与这些原型进行比较来分类。另一个用例是机器人学，机器人可能需要在工厂环境中识别新工具。少量样本模型可以在一个包含常见工具的基础数据集上进行训练，然后使用每种新工具的 5-10 张图像进行微调，并使用旋转或颜色偏移等数据增强技术来模拟变化。这在保持准确性的同时减少了手动标注的需求。
实现少量样本学习的开发者应考虑过拟合和计算效率等挑战。通过使用预训练的特征提取器（例如 ResNet）并在微调期间冻结早期层可以减轻过拟合。像 PyTorch 的 Torchmeta 或 TensorFlow 的 Few-Shot Learning 这样的工具提供了用于原型开发的预构建模块。例如，开发者可以使用 Torchmeta 加载一个 mini-ImageNet 数据集，训练像 MAML（模型无关元学习）这样的元学习模型，并测试其使用每类五个示例对未见物体进行分类的能力。主要权衡包括平衡模型复杂度（例如，基于 Transformer 的架构可能需要更多数据）与更简单的架构，如直接比较图像对的 Siamese 网络。优先选择轻量级模型和高效的数据增强流水线可以确保在资源受限的环境中进行实际部署。