该论文提出了一种针对少样本实例分割的全向导网络，该网络采用支持集编码并指导 Mask R-CNN 的预测，采用不同的引导机制以充分利用支持集中的引导效果，并在公共数据集上取得了最先进的性能。

Mar, 2020

本文中，我们介绍了一个名为 “广义 Few-Shot 语义分割（GFS-Seg）” 的新基准数据集，用于分析在同时分割具有非常少的示例的新类别和具有足够示例的基础类别的情况下的内在泛化能力。我们提出了一种名为 “上下文感知原型学习（CAPL）” 的方法来提高模型的性能，该方法通过从支持样本中利用共现先验知识并动态丰富上下文信息到分类器，条件是基于每个查询图像的内容。在 Pascal-VOC 和 COCO 上的实验表明了 CAPL 的有效性，CAPL 在 Few-Shot Segmentation 上具有很好的泛化性能，且性能与现有状态 - of-the-art 方法相比有竞争力。

Oct, 2020

本文提出了一种自监督学习框架，通过对卷积神经网络进行尺度三元组学习和数量排序等两个子任务，隐式地利用细胞核大小和数量的先验知识，从原始数据中挖掘出特征表示，最终在公开数据集上取得了非常好的结果，大大提高了细胞核实例分割的准确性。

Jul, 2020

本篇论文对语义分割中的 Few-Shot Learning 进行了概述，提出了新的分类法，并描述了当前的局限性和展望。

Apr, 2023

本文提出了一种基于部分点注释的弱监督分割框架，其中包括两个阶段的半监督策略和深度神经网络的使用，使得核分割的自动化处理不需要大量的标注数据和额外的计算负担。

Jul, 2020

本文介绍了少量样本分类和分割的集成任务 (FS-CS)，将两个常规的少量样本学习问题广义化到具有任意图像对的更现实的情境。提出了用于 FS-CS 的集成少量样本学习 (iFSL) 框架，该框架训练学习者构建类别化的前景图，用于多标签分类和像素级分割。同时开发了一个有效的 iFSL 模型，称为 ASNet，该模型利用深层语义相关性和全局自我注意力来生成可靠的前景图。结果表明，所提出的方法在 FS-CS 任务上表现良好，并在标准的少量样本分割基准上取得了最优结果。

Mar, 2022

本文提出了一种元学习的方法，通过利用来自不同领域的标注图像数据集和目标领域内有限数量的标注图像数据集来训练通用、适应性强的少样本学习模型，来解决显微镜图像中的细胞分割问题。实验表明，使用标准分割神经网络体系结构，1 到 10 个数据样本的元学习结果有很好的表现。

Jun, 2020

本文提出了一种针对医学图像的新型自监督少样本分割方案，其中使用基于超像素的伪标签提供监督，采用自适应本地原型池化模块解决前景背景不平衡问题，并在三个不同的任务下测试，结果表明该方法优于传统需要手动注释的方法。

Jul, 2020

本文提出了一种称为循环学习的新型图像水平弱监督方法，应用于核实例分割，通过将前端分类和后端半监督实例分割任务相结合，循环共享知识，从图像级标签中提取潜在信息，实现更好的优化，其在三个数据集上的实验均表现出优秀的广泛性，并取得了与完全监督方法可比较的性能。

Jun, 2023

本文提出了一种新颖的在 few-shot segmentation 模型中加入 base learner 的方法，通过使用伴随的 base learner 得到被忽略的对象并将其与 meta learner 的预测结果相结合，从而提高模型的泛化性能和分割准确率。实验结果表明，该方法具有良好的性能且在 generalized FSS 情况下也有很好的表现。

Mar, 2022