一次性语义分割涉及训练一个模型，仅使用一个新类的带注释示例来分割图像中的对象。 这种方法适用于标记数据稀缺或获取成本高昂的场景，例如医学成像或专用工业应用。 核心思想是使模型能够通过利用来自相关任务或类的先验知识，从最少的数据中进行泛化。 例如，在汽车或树木等常见对象上预训练的模型可以使用一张带注释的图像来适应分割稀有鸟类。 这是通过元学习或迁移学习等技术实现的，模型学习一种灵活的特征表示，可以快速适应新的类，只需进行最少的微调。
一种常见的技术方法是使用双分支架构，其中一个分支处理“支持”图像（单个带注释的示例），另一个分支处理“查询”图像（要分割的目标）。 比较来自两个分支的特征以识别相似之处，从而指导查询图像的分割。 例如，像 CANet（类无关分割网络）这样的方法从支持图像中提取特征，计算掩码平均池化以专注于目标类，并将这些特征与解码器中的查询图像的特征融合以生成分割掩码。 另一个例子是 PFENet（先验引导的特征丰富网络），它使用来自支持图像的空间和语义先验知识来增强查询图像特征，而无需迭代微调。 这些架构通常依赖于距离度量或注意力机制来对齐支持图像和查询图像之间的特征，确保模型专注于相关区域。
挑战包括过度拟合到单个示例以及处理对象外观、比例或上下文的变化。 为了减轻过度拟合，像情景训练这样的技术在训练期间模拟多个一次性场景，迫使模型适应不同的任务。 为了提高鲁棒性，一些方法使用合成变换来增强支持图像或利用来自基类的辅助数据。 应用范围从医学成像（例如，从单个带注释的 MRI 切片中分割肿瘤）到机器人技术（例如，识别用于操作的新对象）。 虽然目前的模型仍然难以处理高度复杂的场景或模糊的边界，但小样本学习和特征融合的进步仍在不断提高性能。 开发人员可以使用 CANet 或 PFENet 的 PyTorch 实现等框架将一次性分割集成到自定义管道中。