本文介绍了一种新颖的few-shot分割模型，通过结合基础学习器和元学习器的预测，提升了模型的泛化性能和分割准确率。实验结果表明，该方法在多个数据集上表现优异，尤其在增量学习和弱监督学习场景中，有效解决了新类别学习和旧类别遗忘的问题。

本文提出了一种相似度指导网络，用于一次性图像语义分割，采用遮罩平均池化和余弦相似度，达到了46.3%的mIoU分数。研究还介绍了自支持匹配策略和自导学习方法，提升了few-shot分割性能，并在多个数据集上实现了最优结果。