يُعد التجزئة القليلة العينات (Few-shot segmentation) مهمة صعبة في التنبؤ الكثيف، حيث يتطلب تجزئة صورة استعلام جديدة مع توفير مجموعة دعم صغيرة مُعلمة مسبقًا فقط. ويتلخص التحدي الرئيسي في تصميم طريقة تُجمع فيها معلومات مفصلة من مجموعة الدعم، مع الحفاظ على المقاومة أمام التغيرات الكبيرة في المظهر والسياق. ولتحقيق هذا الهدف، نقترح طريقة لـ التجزئة القليلة العينات تعتمد على الانحدار باستخدام عملية جاوسية كثيفة (Dense Gaussian Process regression). وباستخدام مجموعة الدعم، تتعلم عملية جاوسية كثيفة لدينا التماثل من الميزات العميقة المحلية للصورة إلى قيم القناع، مما يمكنها من التقاط توزيعات مظهر معقدة. علاوةً على ذلك، تُقدّم هذه الطريقة وسيلة منطقية لالتقاط عدم اليقين، والذي يُعد مُحفّزًا قويًا آخر للتجزئة النهائية، ويتم الحصول عليها من خلال مُفكّك CNN. بدلًا من إخراج قناع أحادي البعد، نستفيد من قدرات التعلّم من النهاية إلى النهاية في منهجنا لتعلم فضاء إخراج عالي الأبعاد لعملية جاوسية. وتحقيقًا لنتائج متميزة، تُعد طريقة عملنا الأفضل على الإطلاق في معايير PASCAL-5$^i$i وCOCO-20$^i$i، حيث حققت مكسبًا مطلقًا قدره $+8.4$+8.4 في مقياس mIoU في إعداد التجزئة القليلة العينات بخمس عينات (5-shot) على COCO-20$^i$i. علاوةً على ذلك، تتحسن جودة التجزئة بشكل متناسق مع زيادة حجم مجموعة الدعم، مع تحقيق نقل فعّال عبر المجموعات المختلفة. يُمكن الوصول إلى الشفرة النصية والنموذج المدرب عبر الرابط التالي: \url{https://github.com/joakimjohnander/dgpnet}.