少数ショットセグメンテーションタスクにおける推論の実施方法が性能に顕著な影響を与えることを示す。この点は、メタラーニングの枠組みに注力する文献においてしばしば無視されてきた。本研究では、与えられたクエリ画像に対して、そのラベルなしピクセルの統計情報を活用した伝達的推論（transductive inference）を導入し、以下の3つの補完的な項を含む新しい損失関数を最適化する。i) ラベル付きサポートピクセルにおける交差エントロピー、ii) ラベルなしクエリ画像ピクセルにおける事後確率のシャノンエントロピー、iii) 予測前景領域の割合に基づくグローバルなKLダイバージェンス正則化項。本推論は抽出された特徴量に対するシンプルな線形分類器を用いるため、計算負荷は従来の誘導的推論（inductive inference）と同等であり、任意のベース学習フレームワークの上に組み込むことが可能である。エピソード学習（episodic training）を回避し、ベースクラスに対して標準的な交差エントロピー学習のみを用いることで、1ショット設定における標準ベンチマークで競争力のある性能を達成する。利用可能なショット数が増加するにつれて性能差は顕著になる：PASCAL-5iにおいて、5ショットおよび10ショット設定で、それぞれ最先端手法に対して約5%および6%の性能向上を達成する。さらに、ベースクラスと新規クラスが異なるデータセットから抽出されるというドメインシフトを含む新たな設定を導入し、より現実的な環境下でも本手法が最良の性能を発揮することを示した。本研究のコードは公開されており、以下のURLから自由に利用可能である：https://github.com/mboudiaf/RePRI-for-Few-Shot-Segmentation。