传统图像识别依赖海量标注数据，而医疗影像、工业质检等场景中，标注样本往往仅有几十张。小样本学习（Few-Shot Learning）正是为此而生，核心思路是让模型从"记忆"转向"推理"。

第一，迁移学习打底。 在ImageNet等大规模数据集上预训练模型，提取通用特征后在少量样本上微调，将标注需求从万级降至个位数。第二，元学习赋予"学会学习"的能力。 如MAML训练出黄金初始参数，原型网络（Prototype Network）为每类计算特征原型，新样本只需与原型比对即可分类，5-Shot场景下准确率可达87%。第三，数据增强与生成模型扩充弹药。 旋转、翻转、缩放等变换配合GAN生成合成图像，可使训练数据量提升5倍，模型召回率提升19%。第四，度量学习构建智能距离空间。 匹配网络、关系网络通过注意力机制让同类特征聚拢、异类远离，无需大量样本即可建立可靠判别边界。

这些策略组合使用，已在医疗影像诊断、智能监控、自动驾驶等领域实现商用落地，真正让AI在"数据贵如金"的场景中大展身手。