합성개구레이더 (Synthetic Aperture Radar; SAR)는 해양 모니터링에 널리 사용되는 첨단 마이크로파 센서이다. SAR은 광학 영상과 달리 비나 구름과 같은 날씨 변화의 영향을 받지 않으며 시간과 관계없이 영상을 획득할 수 있다. 하지만 SAR 선박 영상을 해석하는 것은 어려울 뿐만 아니라 획득하는 과정도 까다롭다. 특히, 각 픽셀에 특정 레이블을 부여하는 의미론적 분할 작업은 상당한 양의 데이터와 주석이 필요하기 때문에 쉽지 않은 작업이다. 본 논문에서는 few-shot 의미론적 분할을 효율적으로 학습하기 위한 새로운 심층 신경망 모델을 제안한다. 이 모델은 가우시안 커널과 라플라시안 필터를 활용하여 주석 비용을 최소화하고, 제한된 데이터 세트에서 few-shot 의미론적 분할을 통해 선박 탐지 정확도를 향상시킨다. 제안한 모델 구조는 가우시안의 라플라시안 필터를 사용하여 특징맵을 생성하고 다중 스케일로 특징맵을 구성한다. 그런 다음, 3D 컨볼루션과 스퀴즈를 사용하여 다중 스케일 특징맵을 효과적으로 훈련한다. 이 구조는 데이터 부족, 노이즈, 텍스처 편향으로 인한 탐지 성능 저하 문제를 해결한다. SAR 선박 데이터 세트로 얻은 선박 탐지 실험 결과는 제안한 방법이 제한된 데이터에서도 기존 의미론적 분할 모델보다 성능이 뛰어나다는 것을 보여준다.