本文提出了一种基于 TRansformer 网络的 Few-shot 语义分割方法（TRFS），它采用全局增强模块（GEM）和局部增强模块（LEM）相结合的方法，可以在 PASCAL-5i 和 COCO 数据集上取得新的最优表现。

Aug, 2021

本文通过精细调整预训练的深度分割网络的分类层，提出了一种适应少样本分割任务的改进方法，该方法引入了基于实例感知的数据增强策略和局部一致性引导的交叉注意力机制，通过增加支持集的多样性和改善查询与支持图像之间的一致性，显著提高了标准少样本分割基准数据集 PASCAL-$5^i$ 和 COCO-$20^i$ 上的性能。

Jan, 2024

本研究提出一种基于自注意力机制的特征重加权策略，实现在给定极少标注样本情况下进行元学习，大幅优于同类现有方法 3%~5%。

Mar, 2022

使用少量有标签的支持图像来识别新类别对象的分割，本文提出了 Target-aware Bi-Transformer Network（TBTNet）以等效处理支持图像和查询图像，并设计了强大的 Target-aware Transformer Layer（TTL）以提取相关性并强制模型关注前景信息，该方法在 PASCAL-5i 和 COCO-20i 标准 FSS 基准测试上表现出色。

Sep, 2023

使用卷积神经网络（CNN）对支持图像进行特征提取，生成类别特征向量，然后通过余弦相似度将目标物体在查询图像中分割出来，在 PASCAL-$5^i$ and COCO-$20^i$ 数据集上验证了其优越性。

Sep, 2019

本文提出了一种利用视觉 - 语言模型 CLIP 生成粗略掩模并迭代互相调整支持和查询图片的掩模预测的框架，实验结果表明该方法不仅在 PASCAL-5i 和 COCO-20i 数据集上优于最先进的弱监督方法，还能够取得与最近的有监督方法相当甚至更好的结果，并且具有出色的野外图像和非常规类别的泛化能力。

Mar, 2023

本篇文章介绍了一种简单但有效的自导学习方法，用于提高查询图像的分割性能，特别是在 few-shot 分割任务中。同时，也提出了一种新的交叉引导模块，用于改善多次采样的分割结果。实验结果表明，该方法在 PASCAL-5i 和 COCO-20i 数据集上可以达到新的最优性能。

Mar, 2021

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

为了解决 3D 点云语义分割中数据有限和模型泛化性能差的问题，本文提出了一种基于注意力机制多突出物体的跨导语义分割方法，并在各种 Few-shot 点云语义分割场景下取得了显著的效果提升。

Jun, 2020

提出了一个自适应调节框架以改进基于元学习的 few-shot 语义分割问题，其中包括一个新颖的自监督内循环来提取支持图像的潜在语义特征，并支持基于梯度图的元学习以逐步优化分割结果。

Apr, 2020