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

提出了一种新颖的 Detail Self-refined Prototype Network（DSPNet）用于构建全面表示目标前景和背景的高保真原型，以解决医学图像中具有复杂背景且对象不明显的情况下，已有模型在 few-shot 语义分割方面的不足。在三个具有挑战性的医学图像基准上的广泛实验证实了 DSPNet 相对于先前的最先进方法的优越性。

Jun, 2024

借鉴谱分解方法，将图像分解问题视为图划分任务，并通过特征亲和力矩阵的拉普拉斯矩阵的特征向量分析来估计感兴趣对象的分布；提出一种新颖的自监督式 FSS 框架，不依赖于任何标注，并通过利用从支持图像获得的特征向量自适应地估计查询掩码，从而消除了手动注释的需求，特别适用于具有有限标注数据的医学图像；引入了多尺度大卷积核注意力模块，进一步提高了对支持图像提供的信息进行查询图像解码的能力，通过选择性地强调相关特征和细节，改善了分割过程并有助于更好的物体勾边；在自然和医学图像数据集上的评估结果展示了我们方法的高效性和有效性。

Jul, 2023

提出了一种名为 DMNet 的双挖掘网络来解决卫星遥感场景中极端类内变化的问题，并通过 Class-public Region Mining 和 Class-specific Region Mining 模块有效地实现语义的挖掘和提取，同时引入 Known-class Meta Suppressor 模块来抑制已知类中的对象激活，实现了在少量样本下对未知类目标的差异化分割。

Oct, 2023

在计算机视觉中，我们比较了四种著名的视觉基础模型（DINO V2，Segment Anything，CLIP，Masked AutoEncoders 和在 COCO 数据集上预训练的 ResNet50），发现 DINO V2 在各种数据集和适应方法上始终优于其他模型，突出了其在语义分割任务上的优越适应能力。此外，我们观察到各种适配器方法表现相似，强调了选择稳健特征提取器比适应技术本身的复杂性更为重要，这一发现揭示了在少样本语义分割情境中特征提取的关键作用。此研究不仅为少样本语义分割领域的视觉基础模型的比较性能提供宝贵见解，还强调了稳健特征提取器在该领域的重要性。

Jan, 2024

本文提出了一种基于 3D 少样本学习的器官分割框架，通过学习支撑数据的 2D 片段与查询图像之间的关系，包括一个学习编码特征的双向门控循环单元（GRU），以及在使用任意支撑和查询数据之前通过迁移学习方法更新模型来适应目标图像和器官的特征。在三个 3D CT 数据集上测试，该模型的性能显著优于最先进的少样本分割模型，并且与使用更多目标训练数据训练的完全监督模型相当。

Nov, 2020

基于适配器机制提出了一种新的 Few-Shot Segmentation (FSS) 框架，设计了 Prototype Adaptive Module (PAM) 来提高 FSS 模型的性能和实现新的最先进结果。

Dec, 2023

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

在这篇论文中，我们提出了一种基于元学习的结构引导广义少样本实例分割（SGFSIS）框架，用于有效标注细胞核实例分割。实验证明，SGFSIS 在少于 5％的标注数据情况下，优于其他注释效率学习方法，包括半监督学习和简单迁移学习，并且与完全监督学习相当。

Feb, 2024