لقد لاقت التقسيم القليل العينات (Few-shot segmentation) اهتمامًا كبيرًا بسبب فعاليتها في تقسيم فئات كائنات غير مرئية باستخدام عدد قليل من العينات المُعلَّمة. تعتمد معظم الطرق الحالية على تقنية تجميع المتوسط العالمي المُقنَّع (Masked Global Average Pooling - GAP) لتمثيل صورة الدعم المُعلَّمة كمتجه ميزات، بهدف تسهيل تقسيم صورة الاستعلام. ومع ذلك، فإن هذه العملية لا تُجنّب فقدان بعض المعلومات التمييزية بسبب العملية المتوسطة. في هذا البحث، نقترح منهجًا بسيطًا ولكن فعّالًا يعتمد على التعلم الذاتي المُوجَّه، حيث يتم استخلاص المعلومات الحرجة التي تم فقدانها. بشكل محدد، من خلال إجراء توقع أولي لصورة الدعم المُعلَّمة، يتم تمثيل المناطق المُغطاة والمنطقة غير المغطاة من الخلفية باستخدام تقنية GAP المُقنَّعة، بحيث تُولَّد متجهات دعم أولية وثانوية على التوالي. وبدمج كل من متجهات الدعم الأولية والثانوية، يتم تحقيق أداءً أفضل في تقسيم صور الاستعلام. مستوحى من وحدتنا الذاتية المُوجَّهة الخاصة بـ 1-shot segmentation، نقترح وحدة مُوجَّهة متقاطعة (cross-guided module) لتقسيم العينات المتعددة (multiple shot segmentation)، حيث يتم دمج القناع النهائي باستخدام التوقعات الناتجة عن عدة عينات مُعلَّمة، مع إعطاء مساهمة أكبر للمتجهات الداعمة عالية الجودة، والعكس صحيح. تحسّن هذه الوحدة التوقع النهائي في مرحلة الاستنتاج دون الحاجة إلى إعادة التدريب. أظهرت التجارب الواسعة أداءً متميزًا جديدًا على كلا مجموعتي البيانات PASCAL-5i وCOCO-20i.