仅需少量训练样本且支持缩放旋转的图像模式匹配算法有哪些

我们都知道文本编辑器/浏览器中的CTRL+F *「查找文本...」*功能，我想要研究可在图像上实现类似功能的可用算法。
UI/UX示例场景：假设你有一张电子原理图，你框选了其中一个二极管，算法就会自动找出该图像上所有相似的二极管。
为实现图像模式匹配，我了解（且已使用过部分）传统工具如下：

• openCV matchTemplate（优点：仅需单个训练样本即可运行，缺点：不支持旋转或缩放）
• YOLO（优点：支持旋转和缩放匹配，缺点：需要数百到数千个训练样本）
  请问有哪些可用算法仅需1到2个训练样本就能取得较好效果，同时支持缩放与旋转匹配？

符合需求的可选算法如下，都支持仅1~2个样本输入，同时兼容旋转、缩放匹配： #

• 基于局部特征点的匹配算法（SIFT/SURF/ORB）
  这类是传统计算机视觉领域最常用的小样本匹配方案，不需要训练，仅需传入你框选的单个模板即可运行。算法会分别提取模板和目标图像的关键点以及对应的特征描述子，这类描述子天生具备尺度、旋转不变性，暴力匹配描述子后再通过RANSAC算法过滤误匹配项，即可准确定位出图中所有和模板相似的区域，甚至支持小范围的透视形变。其中ORB算法无专利限制，可免费商用，运算速度也最快，尤其适合你提到的电子原理图这类线条清晰的平面图像场景，OpenCV已经提供了封装好的接口可以直接调用。
• 多尺度+旋转遍历的改进模板匹配
  可以基于你已经用过的OpenCV matchTemplate 做二次扩展：把你选中的单个模板，按需求的缩放范围生成不同尺度的版本，再按角度步长（比如每15度一个）生成不同旋转角度的模板组；同时对目标图像构建图像金字塔逐层匹配，就可以补足原生matchTemplate不支持旋转缩放的缺点。这种方案实现逻辑最简单，对于原理图这类元素边缘特征明确的场景，匹配精度足够，仅在匹配范围大、步长设置细的时候运算速度会稍慢。
• 预训练孪生网络类小样本匹配模型
  如果你需要应对更复杂的图像场景（比如存在光照变化、符号局部被遮挡的情况），可以选用已经在通用数据集完成预训练的孪生网络类匹配模型，这类模型不需要你自己准备数据集训练，仅需要输入1~2个模板样本，即可直接在目标图中检测出所有相似目标，原生支持旋转、缩放匹配，综合匹配准确率比传统算法更高。

内容的提问来源于stack exchange，提问作者Basj