小樣本度量學習（Few-Shot Metric Learning）通常用于分類任務?（如圖像分類），但它也可以與目標檢測（Object Detection）結合，解決小樣本目標檢測（Few-Shot Object Detection, FSOD）?問題。目標檢測需要同時完成目標定位（Localization）?和分類（Classification）?，而小樣本場景下，某些類別的訓練樣本極少（如“考拉”只有5張標注圖像）。這會導致以下問題：樣本不足?，尾部類別（如稀有物體）標注數據稀缺；特征泛化差?，模型容易過擬合到頭部類別（如“人”、“車”）；定位難度大?，邊界框回歸需要足夠多樣本才能穩定學習。

小樣本學習

在小樣本度量學習中，分為三類數據集——源數據集（open training set）、小樣本訓練集（support set）以及查詢集（query set）。其中源數據集體量很大，可高達幾十萬張圖片，用于訓練一個CNN模型來提取圖像特征；小樣本數據集用C-way類別數和K-shot樣本數來衡量，例如有五種類別，每種類別有一個樣本，即5-way 1-shot，利用極少量樣本學習新類別特征；查詢集用來評估模型在新類別上的泛化能力。

例如，小樣本訓練集是2-way K-shot，這個集合不足以用來訓練一個神經網絡，只能提供一些參考信息。Few-shot learning與傳統的監督學習有所不同，它的目標不是讓模型學習測試集當中的圖片并泛化到測試集，而是讓模型自己學會學習，區分不同的事物。

小樣本學習（Few-shot learning）和元學習（Meta learning）

小樣本學習（Few-Shot Learning, FSL）??是在極少量標注樣本（如每類1-5張圖）下，讓模型快速學習新類別或任務，是元學習的一種。而?元學習（Meta-Learning）??是讓模型學會“如何學習”（learn to learn），從而在面對新任務時能快速適應。

學習一個相似函數（Similarity Function）

相似函數（Similarity Function）是小樣本度量學習的核心組件，用于衡量兩個樣本在嵌入空間中的相似程度。它的核心目標?是量化樣本特征向量之間的相似性，指導模型學習“同類相近，異類相遠”的嵌入空間。

直觀上理解，?x1?和?x2?是同一類別，那么?sim(x1,x2)=1?；x1?和?x3?以及x2?和?x3不是同一類別，那么?，sim(x1,x3)=0，sim(x2,x3)=0

?

相似函數在實現過程中，首先在一個大規模訓練集上學習一個相似函數，訓練結束之可以用相似度函數來做預測，給出一個query圖片，可以用它來跟support集上的樣本做對比，計算相似度，找出相似度最高的作為預測結果。通過這樣的方法，可以實現one-shot learning。

?

常用數據集

Omniglot?是小樣本學習（Few-Shot Learning）和元學習（Meta-Learning）領域最經典的基準數據集之一，由 ?Brenden Lake? 等人于2015年提出，旨在模擬人類“快速學習新概念”的能力。包含 ?50種不同文字系統?（如拉丁字母、日文假名、藏文等）的 ?1,623個手寫字符，每個字符由 ?20個不同書寫者? 繪制，共 ?32,460張圖像。測試模型在極少量樣本下識別新字符的能力（類似人類學寫陌生文字）。

?

Mini-ImageNet?由 ?Stanford 團隊? 于2016年提出，旨在簡化原始 ImageNet 的復雜性，同時保留其多樣性，便于研究者快速驗證小樣本學習算法的性能。它包含100 個類別（涵蓋動物、植物、日常物品等），每個類別 600 張圖片（共 60,000 張）。

?