Le segmentation à peu de exemples (FSS) vise à segmenter une classe cible à l’aide d’un petit nombre d’images étiquetées (ensemble de support). Pour extraire les informations pertinentes par rapport à la classe cible, une approche dominante dans les méthodes FSS les plus performantes élimine les caractéristiques de fond à l’aide d’un masque de support. Nous observons que cette suppression de caractéristiques par un masque de support restrictif crée une goulée d’information dans plusieurs cas difficiles de FSS, notamment pour des objets de petite taille et/ou des frontières cibles imprécises. À cet effet, nous proposons une nouvelle méthode, appelée MSI (Maximize Support-set Information), qui maximise l’information contenue dans l’ensemble de support en exploitant deux sources complémentaires de caractéristiques afin de générer des cartes de corrélation supérieures. Nous validons l’efficacité de notre approche en l’implémentant dans trois méthodes récentes et performantes de FSS. Les résultats expérimentaux sur plusieurs benchmarks publics de FSS montrent que notre méthode améliore de manière consistante les performances avec des marges significatives et accélère la convergence. Notre code source et les modèles entraînés sont disponibles à l’adresse suivante : https://github.com/moonsh/MSI-Maximize-Support-Set-Information