يهدف التجزئة الشاملة القليلة الأمثل إلى تعلُّم تجزئة فئات كائنات جديدة باستخدام عدد قليل جدًا من الأمثلة المُعلَّمة، وهو ما يمتلك تطبيقات واسعة في العالم الحقيقي. تركز معظم الطرق الحالية على بيئة محدودة للتجزئة القليلة الأمثل من نوع "اتجاه واحد"، أو تعاني من تغطية غير كاملة لمناطق الكائنات. في هذا البحث، نقترح إطارًا جديدًا للتجزئة الشاملة القليلة الأمثل مبنيًا على تمثيل النموذج (Prototype Representation). وتكمن الفكرة الأساسية لدينا في تفكيك تمثيل الفئة الشامل إلى مجموعة من النماذج الجزئية الواعية، التي تُمكِّن من التقاط خصائص كائنية متنوعة ودقيقة جدًا. بالإضافة إلى ذلك، نقترح استغلال البيانات غير المُعلَّمة لتعزيز النماذج الجزئية الواعية، مما يؤدي إلى نمذجة أفضل للتغيرات داخل الفئة للكائنات الشاملة. ونتيجة لذلك، نطوّر نموذجًا جديدًا لشبكة عصبية رسومية (Graph Neural Network) لتكوين وتحسين النماذج الجزئية الواعية بناءً على الصور المُعلَّمة وغير المُعلَّمة. أظهرت التقييمات التجريبية الواسعة على معيارين مختلفين أن طريقةنا تتفوق على الأدوات السابقة بمقدار ملحوظ.