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

本文提出了一种原型混合模型 (PMMs)，该模型利用期望最大化算法从有限的支持图像中提取通道和空间语义，从而在激活查询图像中的物体的同时抑制背景区域，这种方法在 MS-COCO 数据集上 5-shot 分割性能提高了 5.82%。

Aug, 2020

通过适应支持原型和查询特征之间的语义差距，我们的方法在点云的少样本分割模型中取得显著改进，并维持高效性能。

Aug, 2023

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

本文提出了一种叫做 SimPropNet 的框架，利用前景背景关注融合机制，同时预测支持和查询掩模，以共享特征信息来填补现有方法在利用相似性信息方面的不足，其在 PASCAL-5i 数据集上实现了最先进的一次和五次分割结果。

Apr, 2020

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

使用少样本学习的方法，本研究提出了一种基于深度学习的医学图像分割框架 MatchSeg，通过匹配参考图像和设计联合注意力模块，实现了高效的领域泛化和优越的分割性能。

Mar, 2024

提出了一种名为 Group-On 的新方法，用于单次语义分割，将多个查询图像分为批次以达到同一类别内的相互知识支持的目的，并在标准基准测试中表现显著优于现有方法。

Apr, 2024