本論文は、画像内の前景オブジェクトに対する少サンプルセグメンテーションについて述べるものである。我々は、少サンプル設定を模倣する小規模なトレーニング画像サブセット上でCNNを学習する。各サブセットにおいて、1枚の画像をクエリ画像とし、残りの画像をサポート画像（正解セグメンテーション付き）として扱う。CNNはまず、クエリ画像およびサポート画像から特徴マップを抽出する。その後、既知の前景領域上でサポート画像の特徴マップを平均することで、クラス特徴ベクトルを計算する。最後に、クラス特徴ベクトルとクエリ画像の特徴マップとのコサイン類似度を用いて、クエリ画像内のターゲットオブジェクトをセグメンテーションする。本研究は以下の2つの貢献を行う：（1）特徴の判別力を向上させ、前景領域では活性化が高くなり、それ以外の領域では低くなるようにする；（2）テスト時にサポート画像のセグメンテーションに伴う損失の勾配を用いてガイドされた専門家エントリーのアンサンブルによる推論性能の向上。PASCAL-$5^i$5iおよびCOCO-$20^i$20iデータセットにおける評価結果から、既存の手法を顕著に上回ることを示している。