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

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

本文提出了一种新颖的方法，使用图像级别的类标签作为监督来学习实例分割。我们的方法生成训练图像的伪实例分割标签，并用于训练完全监督模型。通过 IRNet，我们首先从图像分类模型的 attention maps 中识别出与对象类别相关的种子区域，然后传播到整个实例区域，估计出准确的边界，并为种子分配实例标签，使得整个实例区域可以准确地估计。IRNet 是基于 attention maps 的像素间关系训练的，因此不需要额外的监督。在 PASCAL VOC 2012 数据集上，我们的方法与 IRNet 取得了出色的表现，不仅超过了之前使用相同级别监督训练的最先进模型，还超过了一些依赖于更强监督的先前模型。

Apr, 2019

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

提出了一种名为 BriNet 的分割框架，该框架应用信息交换模块和多路径细粒度策略来提高查询和支持图像之间的信息交互，进而实现精确定位查询对象；并且还提出了一种新的在线细化策略，帮助训练好的模型适应未见过的类别，并在 PASCAL VOC 和 MSCOCO 数据集上创造出新的最优效果。

Aug, 2020

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

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

IFSENet 是一种结合了 few-shot 分割和交互式分割概念的模型，通过接受点击输入的方式在支持图像和查询图像上生成遮罩，极大地减少了训练新类别分割模型所需的注释工作量。

Mar, 2024