Wir zeigen, dass die Art und Weise, wie die Inferenz in Few-Shot-Segmentierungsaufgaben durchgeführt wird, erheblichen Einfluss auf die Leistungsfähigkeit hat – ein Aspekt, der in der Literatur oft vernachlässigt wird, da der Fokus stärker auf dem Meta-Learning-Paradigma liegt. Wir stellen eine transduktive Inferenz für ein gegebenes Abfragen-Bild vor, die die Statistiken der nicht beschrifteten Pixel dieses Bildes nutzt, indem eine neue Verlustfunktion mit drei komplementären Termen optimiert wird: i) die Kreuzentropie auf den beschrifteten Support-Pixeln; ii) die Shannon-Entropie der Posteriorwahrscheinlichkeiten auf den nicht beschrifteten Pixeln des Abfragen-Bildes; und iii) ein globaler KL-Divergenz-Regularisierer, der auf dem Anteil der vorhergesagten Vordergrund-Pixel basiert. Da unsere Inferenz einen einfachen linearen Klassifikator der extrahierten Merkmale verwendet, weist sie eine vergleichbare Rechenlast wie induktive Inferenz auf und kann auf beliebige Basis-Trainingsmethoden aufgesetzt werden. Ohne episodisches Training und unter Verwendung lediglich des standardmäßigen Kreuzentropie-Trainings auf den Basis-Klassen erzielt unsere Methode wettbewerbsfähige Ergebnisse auf Standard-Benchmarks im 1-Shot-Szenario. Mit zunehmender Anzahl verfügbarer Shots vergrößert sich die Leistungsunterschiede: Auf PASCAL-5i erreichen wir im 5-Shot- und 10-Shot-Szenario jeweils etwa 5 % bzw. 6 % Verbesserung gegenüber dem Stand der Technik. Zudem führen wir eine neue Evaluierungs-Situation ein, die Domänenverschiebungen beinhaltet, bei der Basis- und neue Klassen aus unterschiedlichen Datensätzen stammen. Unser Ansatz erzielt in dieser realistischeren Situation die besten Ergebnisse. Unser Code ist frei online verfügbar: https://github.com/mboudiaf/RePRI-for-Few-Shot-Segmentation.