李庆旭 王巧华,2

(1.华中农业大学工学院， 武汉 430070； 2.农业农村部长江中下游农业装备重点实验室， 武汉 430070)

0 引言

计算机视觉作为禽蛋无损检测领域中最常用的技术手段之一[1-2]，对禽蛋内外部品质进行检测时，一般需要根据人工经验手动提取禽蛋图像特征并利用机器学习算法建立禽蛋内外部品质的分类模型[3-4]，或利用卷积神经网络自动提取禽蛋图像特征实现端对端的禽蛋图像自动分类与检测[5-6]。机器学习或深度学习算法需要大量禽蛋样本才能取得较好的检测精度[7]，但禽蛋样本数据的获取是一个耗时耗力的过程。在禽蛋图像检测中，利用机器学习算法或深度学习算法建立的模型在缺乏足够的样本数据时均存在过拟合的风险。

元学习已成为近年来人工智能领域的研究热点[8]，旨在通过模拟人类智能在少样本条件下快速且准确地完成分类或匹配任务，与深度学习需要海量训练数据相比，是一种更为接近人类智能的算法。其可以分为3类：①基于度量的元学习，是使用深度神经网络提取样本的特征，将样本数据映射至度量空间中，并在度量空间中计算样本间的距离，最终实现样本的分类或匹配，常见的基于度量的元学习算法有孪生网络[9]、原型网络[10]与关系网络[11]等。②基于初始化的元学习，其核心思想是学习一个通用的初始化模型，使模型在处理新任务时能够快速收敛，如模型无关的元学习算法(Model agnostic meta learning, MAML)[12]。③基于优化器的元学习，包含基网络和循环神经网络，利用循环神经网络代替梯度下降算法作为基网络的优化器，从而使基网络在小样本条件下依然能够表现出较好的性能[13]。……