摘 要
【目的】对小样本语义分割方法进行系统而全面的介绍，为后续小样本分割算法设计工作提供参考。
【方法】当前的小样本分割方法借助基于度量的元学习方法来完成少样本情况下的语义分割任务。根据度量工具是否可学习，将小样本分割算法分为基于参数结构和基于原型结构的小样本分割算法，简述了两类算法的优缺点。
【结果】对该领域的一些经典工作和近年来的工作做了具体的分析，并给出了小样本分割算法的主要应用场景。
【结论】在此基础上，分析了小样本分割存在的关键问题和挑战，对小样本分割未来的发展方向和趋势进行了讨论。
关键词：计算机视觉；图像数据；深度学习；图像分割；小样本学习；小样本语义分割
引 言
语义分割作为计算机视觉的基本任务之一，广泛应用于医学图像识别、自动驾驶、地质勘探等领域[1-2]。使用卷积神经网络能极大地提高语义分割的性能。基于卷积神经网络的语义分割模型需要大量具有像素级别标注的数据，获取大量的、高质量的像素级别标注数据费时费力，限制了语义分割在很多领域的应用。为了缓解语义分割模型需要大量标注数据的压力，研究通过使用少量的带标注样本完成语义分割任务的小样本语义分割问题被提出并受到广泛关注[3]。
小样本语义分割，也称小样本分割（Few-shot semantic segmentation, FSS）。小样本分割主要采用基于度量的元学习方法进行[4-5]。利用度量的思想，使用度量工具（例如，