本文介绍了广义Few-Shot语义分割（GFS-Seg）数据集及上下文感知原型学习（CAPL）方法，旨在提升少样本语义分割模型的性能。实验结果表明，CAPL在Pascal-VOC和COCO数据集上表现优异，具备良好的泛化能力和竞争力。此外，研究探讨了Vision Transformers在语义分割中的应用，并提出多种改进模型，强调稳健特征提取器的重要性。

本文介绍了一个名为广义Few-Shot语义分割（GFS-Seg）的新基准数据集，用于分析模型在分割新类别和基础类别时的内在泛化能力。提出了上下文感知原型学习（CAPL）方法来提高Few-Shot Segmentation的性能，实验证明CAPL具有很好的泛化性能。

本文介绍了一个名为“广义Few-Shot语义分割（GFS-Seg）”的新基准数据集，用于分析模型在分割新类别和基础类别时的泛化能力。提出了一种名为“上下文感知原型学习（CAPL）”的方法来提高Few-Shot Segmentation的性能，实验证明CAPL具有很好的泛化性能。

本文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。提出了一种名为上下文感知原型学习（CAPL）的方法来提高模型性能，通过利用共现先验知识和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CAPL在Few-Shot Segmentation上具有很好的泛化性能，并且与现有方法相比具有竞争力。