少量サンプルによる意味分割（Few-shot Semantic Segmentation, FSS）は、わずかなラベル付きアノテーションのみを用いて、未観測のクラスをクラスに依存しないモデルで分割することを目的としている。従来の手法は、主に意味特徴量とプロトタイプ表現に依存しており、粗い分割粒度と訓練データへの過適合という課題に直面していた。本研究では、トランスフォーマー構造に基づき、ピクセルレベルでのサポート相関を抽出する階層的分離型マッチングネットワーク（Hierarchically Decoupled Matching Network, HDMNet）を提案する。自己注意（self-attention）モジュールを活用して階層的かつ密な特徴を構築し、クエリ特徴とサポート特徴間の段階的マッチングを実現する。さらに、訓練データへの過適合を低減するためのマッチングモジュールを設計するとともに、粗解像度から細解像度へと意味的対応関係を活用した相関蒸留（correlation distillation）を導入し、細粒度な分割性能を向上させた。実験結果において本手法は良好な性能を示した。COCOデータセットにおけるワンショット設定では50.0%のmIoUを達成し、ファイブショット設定では56.0%のmIoUを記録した。