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

本文提出了一种基于 3D 少样本学习的器官分割框架，通过学习支撑数据的 2D 片段与查询图像之间的关系，包括一个学习编码特征的双向门控循环单元（GRU），以及在使用任意支撑和查询数据之前通过迁移学习方法更新模型来适应目标图像和器官的特征。在三个 3D CT 数据集上测试，该模型的性能显著优于最先进的少样本分割模型，并且与使用更多目标训练数据训练的完全监督模型相当。

Nov, 2020

远程感知图像的语义分割是远程感知图像解释中的重要问题。目前已经取得了显著的进展，虽然现有的深度神经网络方法在依赖大量训练数据方面存在问题。少样本远程感知语义分割旨在仅使用少量标注的目标类别支持图像从查询图像中学习分割目标对象。然而，现有的少样本学习方法主要集中在从支持图像中提取信息，未能有效解决地理对象外观和尺度的大差异。为了解决这些挑战，我们提出了一种自相关和交叉相关学习网络，用于少样本远程感知图像语义分割。我们的模型通过考虑支持图像和查询图像之间的自相关和交叉相关来增强泛化性能。为了进一步探索与查询图像的自相关性，我们提出采用经典的频谱方法，基于图像的基本视觉信息生成一个类别无关的分割掩模。在两个远程感知图像数据集上进行了大量实验，证明了我们的模型在少样本远程感知图像语义分割中的有效性和优越性。代码和模型可以在此 URL 中访问。

Sep, 2023

本研究介绍了一种新颖方法，通过结合空间和频谱表示来增强领域通用医学图像分割的能力，并引入了创新的谱相关系数目标函数来提高模型对中阶特征和上下文长距离依赖关系的捕捉能力。大量实验证明，优化该目标函数能显著提高 UNet 和 TransUNet 等现有架构的泛化能力、解释能力和噪声鲁棒性，生成更可信的预测结果。

Jan, 2024

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

本文提出了基于 Hierarchically Decoupled Matching Network (HDMNet) 的 Few-shot 语义分割方法，使用 transformer 架构、自注意力模块和匹配模块来实现级联匹配和关键像素级别的支持关联，且通过语义对应度实现了从粗糙分辨率到细粒度分割的相关性蒸馏，实验结果表明在 COCO 数据集中的 few-shot 语义分割任务上取得了较好的性能。

Jun, 2023

本研究提出了一种元学习方法，通过关系模式中 “观察什么” 和 “关注何处” 的方式，利用自我相关表示和交叉相关关注，在图像内和图像间学习关系嵌入，以解决少样本分类问题，并在 miniImagenet、tieredImageNet、CUB-200-2011 和 CIFAR-FS 等四个少样本分类基准测试中取得了一致的改进。

Aug, 2021

通过原型相关性匹配和类别关系推理模型，解决少样本医学图像分割中类内变异和类间关系推理的挑战，提高分割性能。

Jun, 2024

本文提出了一种基于 transformer 架构的 Hierarchically Decoupled Matching Network（HDMNet）用于 few-shot 语义分割任务。该网络利用自注意力机制来建立层次化的密集特征并使用匹配模块降低过拟合，引入来自粗分辨率的语义对应的相关性传递，以提高细粒度的分割。在实验中该方法表现良好，在 COCO 数据集上的 1-shot 和 5-shot 分割分别达到了 50.0% 和 56.0% 的 mIoU。

Mar, 2023

本文提出了利用多层特征相关性和高效 4D 卷积的 HSNet 来解决少样本语义分割问题，通过 coarse-to-fine 方式逐渐将高层次和低层次的几何和语义信息聚合到精确的分割掩模中，并在 PASCAL-5i、COCO-20i 和 FSS-1000 标准基准上验证了该方法的有效性。

Apr, 2021