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

本文提出了一种原型精炼网络（PRNet），通过自适应和融合获取新类别的代表性原型，从而增强了低数据量情况下的原型区分度，实现了少样本分割的挑战，实验结果表明该方法显著优于现有方法。

Feb, 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

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

利用自支持匹配策略提高 few-shot 语义分割精度，通过适应性自支持背景原型生成模块和自支持损失进一步促进自支持匹配过程，该策略有效地捕获查询对象的一致潜在特征，从而更适当地匹配查询特征，其实现了多个数据集上的 SOTA，源码可在 https://github.com/fanq15/SSP 找到。

Jul, 2022

本论文提出了一个基于元学习的方法用于 few-shot 目标检测，通过使用两种类型的注意机制对查询和支持特征图进行聚合以提高性能并最大化支持数据的多样性。

Sep, 2021

本文提出了一种名为 PrototypeFormer 的方法，通过探索原型关系，显著改进了传统的少样本图像分类方法。该方法采用变压器架构构建原型提取模块，旨在提取更具有区分性的类别表示，以用于少样本分类。此外，在模型训练过程中，提出了一种基于对比学习的优化方法，以优化少样本学习场景下的原型特征。通过在几个流行的少样本图像分类基准数据集上实验，证明了本方法优于所有当前最先进的方法，特别是在 miniImageNet 的 5-way 5-shot 和 5-way 1-shot 任务上分别达到 97.07％和 90.88％，超过最先进方法分别 7.27％和 8.72％的精度。代码将在之后发布。

Oct, 2023

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

本论文提出了一种基于原型补全的元学习框架，采用属性转移网络，利用类部件或属性的先验来学习预测看不见部分的属性，然后利用高斯原型融合策略来完成原型。该方法在归纳式和传递式少样本学习的情境中均取得了优越的性能。

Aug, 2021

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