ندرس التجزئة الدلالية القائمة على عدد قليل من الأمثلة (few-shot semantic segmentation)، والتي تهدف إلى تجزئة كائن مستهدف من صورة استفسار (query image) عند توفر عدد قليل من الصور الداعمة (support images) المُعلَّمة لفئة الكائن المستهدف. وقد اعتمدت عدة طرق حديثة على تقنية تسمى "إخفاء الميزات" (Feature Masking - FM) لإزالة التنشيطات غير ذات صلة في الميزات، مما يُسهّل التنبؤ الدقيق بقناع التجزئة في النهاية. لكن للتقنية الأساسية لـ FM عيب جوهري يتمثل في عدم قدرتها على الحفاظ على التفاصيل المكانية الدقيقة التي تؤثر على دقة قناع التجزئة، خاصةً بالنسبة للكائنات الصغيرة. في هذه الورقة، نطوّر منهجًا بسيطًا وفعالًا وفعّالًا لتحسين تقنية إخفاء الميزات (FM). ونُسمّي النسخة المُحسَّنة من FM بـ "إخفاء هجين" (Hybrid Masking - HM). وبشكل خاص، نُكمّل الخسارة في التفاصيل المكانية الدقيقة الناتجة عن تقنية FM من خلال دراسة واعتماد طريقة أساسية لـ "إخفاء المدخلات" (input masking) متكاملة. أجرينا تجارب على ثلاث معايير عامة متاحة للجمهور، مع استخدام أسس قوية لـ التجزئة القائمة على عدد قليل من الأمثلة (FSS). ونُظهر تجريبيًا تحسينًا ملحوظًا في الأداء مقارنة بالأساليب الحالية الأفضل في مجالها، عبر مختلف المعايير. تتوفر كودنا والنماذج المدربة عبر الرابط التالي: https://github.com/moonsh/HM-Hybrid-Masking