El objetivo del método de aprendizaje de pocas muestras es aprender rápidamente de un régimen de baja cantidad de datos. Las tareas de salida estructuradas como la segmentación son desafiantes para el aprendizaje de pocas muestras, debido a que son de alta dimensionalidad y estadísticamente dependientes. Para este problema, proponemos mejorar las redes guiadas y combinarlas con un campo aleatorio condicional (CRF) completamente conectado. La red guiada extrae representaciones de tareas de imágenes de soporte anotadas a través de fusión de características para realizar inferencias rápidas y precisas en nuevas imágenes de consulta no anotadas. Al combinar los métodos de aprendizaje de pocas muestras y los CRF completamente conectados, nuestro método puede realizar una segmentación precisa de objetos superando las malas propiedades de localización de las redes neuronales convolucionales profundas y puede actualizar rápidamente las tareas, sin necesidad de más optimización, cuando se enfrenta a nuevos datos. Nuestra red guiada está a la vanguardia de la precisión en términos de volumen de anotación y tiempo.