综述：基于深度小样本学习的杂草图像识别研究进展

这篇综述系统探讨了深度小样本学习（FSL）在杂草识别中的应用价值，针对农业场景中数据稀缺（data scarcity）、类别不平衡（class imbalance）等挑战，总结了数据增强（data augmentation）、元学习（meta-learning）、度量学习（metric learning）等关键技术，提出轻量化FSL模型是未来智能除草装备的核心发展方向。

　　

Abstract

杂草严重威胁农作物生长与产量，传统除草方式面临效率与环保双重挑战。尽管基于卷积神经网络（CNN）的VGG、ResNet等模型在杂草识别中取得突破，但杂草形态多样性、生长阶段变化及样本稀缺（仅占常规深度学习需求的10%）仍是核心瓶颈。小样本学习（FSL）通过元学习（meta-learning）和度量学习（metric learning）等策略，显著降低数据依赖，例如孪生网络（Siamese network）仅需10%数据即可实现特征学习，而主动学习（active learning）能有效缓解类别不平衡问题。

Introduction

农田杂草通过竞争资源与化感作用抑制作物生长，传统化学除草导致环境污染。智能农机因识别精度不足难以实现行内精准除草。研究显示，FSL在植物病害识别中已实现75%准确率（5-shot场景），但杂草识别领域研究仍稀缺。本文首次系统梳理FSL在杂草识别中的三大技术路径：数据优化（如合成样本生成）、模型架构（如基于CenterNet的定位）和训练范式（如模型无关元学习MAML）。

Related works

文献计量显示，2015-2024年FSL相关研究达41,567篇，但杂草识别仅占169篇。核心突破包括：Argüeso等通过FSL将植物病害数据需求降低90%；LFM-CNAPS模型提升未见病害类别识别精度；Karami验证了FSL在作物幼苗定位中的可行性。

The technology of FSL

数据优化：生成对抗网络（GAN）扩充样本，解决土壤背景干扰；主动学习通过迭代标注提升数据效率。
模型架构：度量学习采用对比损失函数，缩小类内距离；迁移学习（transfer learning）通过预训练模型（如ImageNet）提取通用特征。
训练范式：元学习（如Prototypical Network）构建任务分布，在5-shot场景下微调（fine-tuning）表现最优。

Applications for farmland scenarios

车载平台：高分辨率相机捕捉行内杂草，FSL模型参数量<1M，满足实时性需求。
机载平台：无人机广域监测中，数据增强解决光照变异问题，但计算资源消耗仍为瓶颈。

Challenges

样本分布不均导致模型偏向多数类；杂草与作物幼苗形态相似性增加特征提取难度；轻量化模型（如MobileNetV3）与边缘计算结合是未来方向。

Conclusion

FSL通过先验知识迁移和高效训练机制，为小样本杂草识别提供新范式。未来需开发跨生长阶段自适应模型，并集成至智能农机决策系统。

（注：全文严格基于原文事实，未新增观点；专业术语如^5-shot、_MAML等均按原文格式标注）