本研究提出了一种叫做 “IPRNet” 的方法，采用在原型空间中的原型关系来增强少样本数据在特征空间中的区分性，该方法在 Pascal-5i 和 COCO-20i 数据集上具有优秀的分割性能。

Nov, 2022

本研究提出了一种基于度量学习的原型对齐网络（PANet）来解决仅使用少量样本进行图像分割的问题，它通过学习每个语义类别的原型表示，并通过匹配每个像素到所学习的原型来执行查询图像的分割，最终在 PASCAL-5i 上超越了现有技术达到了 48.1% 和 55.7% 的 mIoU 得分（1-shot 和 5-shot 设置），是一种有效的 few-shot segmentation 方法。

Aug, 2019

近年来，基于卷积神经网络的深度学习在许多应用中取得了显著的成功。然而，它们对大量标注数据的依赖以及对未知类别的有限泛化能力对于医学图像处理任务来说是一个挑战。少样本学习利用少量标注数据进行泛化到未知类别的能力已经成为一个关键性的研究领域，吸引了大量关注。目前，大多数研究采用基于原型的方法，即利用原型网络从支持集构建原型，引导查询集的处理以获得最终结果。虽然这种方法是有效的，但它过于依赖支持集，忽视了查询集，导致模型类别内部存在明显的差异。为了缓解这个缺点，我们提出了一种新的支持 - 查询原型融合网络（SQPFNet）。SQPFNet 首先为支持图像的前景区域生成多个支持原型，从而产生一个粗糙的分割掩模。随后，基于粗糙分割掩模构建查询原型，额外利用查询集中的模式信息。因此，SQPFNet 构建了高质量的支持 - 查询融合原型，通过它对查询图像进行分割以获得最终的细化查询掩模。对两个公共数据集 SABS 和 CMR 的评估结果显示，SQPFNet 实现了最先进的性能。

May, 2024

本文提出了一种新的 few-shot 分割框架，基于原型表示，并将整体类表示分解为一组部分感知原型，能够捕捉多样化和细粒度的物体特征。通过利用无标签数据丰富我们的部分感知原型，提高语义对象的内部变化建模。通过在两个基准测试上进行广泛的实验评估，表明我们的方法优于以前的方法。

Jul, 2020

本文提出了一个新的基于原型网络的少样本医学图像分割框架，它以两个关键模块：上下文关系编码器和反复使用原型网络的逐步掩模细化模块作为创新，通过对两个腹部 CT 数据集和一个腹部 MRI 数据集的实验表明，该方法相对于现有最先进的方法平均提高了 16.32％、8.45％和 6.24％，有效地解决了深度卷积神经网络在医学图像分割方面的困难。

Aug, 2021

本文提出了一种利用潜在原型的对比增强方法来提高 few-shot 分割模型性能的方法，通过采样模块生成伪掩模和新的原型，从而提高原型和查询特征之间的相似性信息的利用率，并通过对比增强模块来提高预测性能。实验证明，该方法在 Pascal-5^i 和 COCO-20^i 的 1-shot 和 5-shot 分割任务中的性能明显优于现有方法，尤其在 5-shot 任务中，性能分别比基准提高了 5.9% 和 7.3%。

Mar, 2022

本文提出一种基于交叉参考网络的多类别小样本图像分割方法，通过先前的样本图像和待处理图像之间的交叉引用，同时预测前景目标，经过不断迭代的前景区域优化，实现对带标签支持图像的 $k$ 次训练和少量样本的生成级联分割效果进行提升，最终在 PASCAL VOC 2012 数据集上取得了最佳效果。

Mar, 2020

本文提出一种简单而有效的在转导设置中原型修正方法，利用标签传播减少内类偏差和特征转移减少交叉类偏差，理论分析证明了其合理性及其性能的下限，并在三个少样本基准测试中表明了其有效性。

Nov, 2019

本文提出了一种基于聚类的半监督少样本分类方法，使用 Prototypical Networks 提取特征并结合 K-means 聚类算法，利用少量标记样本指导聚类过程，而用户反馈可以显著改善适应性能。通过图像数据的实验，证明了该策略的良好性能。

Nov, 2017

提出了一种新的增量原型学习方案，其中包括自适应特征表示和自我推进的原型细化机制，通过动态关系投影模块来计算共享嵌入空间中的关系矩阵并将其作为引导原型更新的因素，经过三个基准数据集的广泛实验，表现优于现有的增量学习方法。

Jul, 2021