提出了一种新的、直截了当的见解来缓解这个问题。具体来说，我们在传统的FSS模型（meta learner）上应用了一个额外的分支（基本学习者），以明确识别基本类，即不需要分割的区域。然后，将这两个学习器并行输出的粗略结果进行自适应集成，以获得精确的分割预测。考虑到元学习者的敏感性，我们进一步引入调整因子来估计输入图像对之间的场景差异，以便于模型集成预测。PASCAL-5i和 COCO-20i验证性能大幅提升，令人惊讶的是，我们的多功能方案即使有两个普通的学习者，也创造了最先进的水平。此外，鉴于所提出方法的独特性，我们还将其扩展到更现实但更具挑战性的环境，即广义FSS，其中需要确定基类和新类的像素。

提出了一种简单而有效的自我引导学习方法，即挖掘丢失的关键信息。具体来说，通过对标注的支持图像进行初始预测，将覆盖和未覆盖的前景区域分别用掩码GAP编码为主支持向量和辅助支持向量。通过主支持向量和辅助支持向量的融合，对查询图像获得了较好的分割性能。在我们的1 shot 分割自我引导模块的启发下，我们提出了一个多次分割的交叉引导模块，其中最终混合使用来自多个带注释的样本的预测，高质量的支持向量贡献更多，反之亦然。该模块改进了推理阶段的最终预测，无需再训练。大量实验表明，我们的方法在pascal -5i和coco -20i数据集上都实现了新的最先进的性能。

一种新的联合训练框架：传统框架+额外的挖掘分支。 挖掘潜在的新类，并在背景和前景类别上引入了一种新的校正技术。 利用额外的未标记数据进行进一步的特征增强