目录一、先说一下遥感图像分割到底难在哪二、少样本语义分割的核心思想三、主流技术路线：从度量学习到原型网络四、2024-2025年的新技术进展4.1 自适应超维原型（Adaptive Hyperdimensional Prototyping）4.2 解耦式自提示学习（Disentangled Self-Prompting）4.3 层级密度引导的锚点传播（Hierarchical Density-guided Anchor Propagation）五、实战：用最新的CAP-Net在遥感图像上做少样本分割5.1 整体架构5.2 重点模块代码实现5.3 训练策略5.4 在真实遥感数据上的评估结果六、数据集的准备与预处理6.1 数据划分的陷阱6.2 支撑集和查询集的采样策略6.3 数据增强的策略去年做项目的时候，我遇到过一个挺尴尬的场景。手头有一批遥感图像，需要把里面的农田、水体、建筑区域自动分割出来。按理说这事儿现在深度学习都能干得不错——前提是你得有足够多的标注数据。但问题是，我们要处理的是某个东南亚国家的特定区域。拿到的高分辨率遥感图像里，有些地物类型（比如当地特有的农业大棚、某种热带作物种植区）在公开数据集里根本找不到。人工标注？一张0.5米分辨率的遥感图，覆盖几十平方公里，让专家一个像素一个像素地勾边界，成本高得离谱。最后我们只有寥寥几张标注样本——十张都不到。我当时试了传统的语义分割模型，比如DeepLabV3+、UNet这些经典架构。毫不意外，效果惨不忍睹。模型看见没见过的地物类型，基本就是瞎猜。看测试结果的时候，我心里只有一个想法：这玩意儿不能上线，会被客户骂死的。后来我开始系统性地调研少样本学习（Few-shot Learning）在遥感图像分割中的应用，踩了不少坑，也看到了一些真正让人眼前一亮的方法。这篇博客就把我这一年多来的实践经验、踩过的坑、以及我认为真正有效的技术方案整理出来。如果你也遇到过“样本少得可怜但任务还得做”的困境，希望能给你一些实在的启发。