Los conjuntos de datos en el último modelo de segmentación semántica a menudo necesitan ser etiquetados manualmente para cada píxel, lo que consume mucho tiempo y requiere un gran esfuerzo. Los modelos generales no son capaces de hacer mejores predicciones para nuevas categorías de información que nunca se han visto antes, que la segmentación de pocos disparos que ha surgido. Sin embargo, la segmentación de pocos disparos todavía enfrenta dos desafíos. Uno es la exploración inadecuada de la información semántica transmitida en las características de alto nivel, y el otro es la inconsistencia al segmentar objetos en diferentes escalas. Para resolver estos dos problemas, hemos propuesto una red de coincidencia de características previas (PFMNet). Incluye dos módulos novedosos: (1) el Módulo de Mejora de Características de Consulta (QFEM), que hace pleno uso de la información semántica de alto nivel en el conjunto de soporte para mejorar la característica de consulta, y (2) el módulo de coincidencia de características multiescala (MSFMM), que aumenta la probabilidad de coincidencia de objetos en múltiples escalas. Nuestro método logra un puntaje promedio de intersección sobre unión del 61.3% para la segmentación de un disparo y del 63.4% para la segmentación de cinco disparos, superando los resultados de vanguardia en un 0.5% y un 1.5%, respectivamente.