يتطلب التصنيف الدلالي التقليدي مجموعة كبيرة من الصور المُوسومة، ويقتصر التنبؤ على الفئات المحددة مسبقًا. ولحل هذه المشكلة، يُعد التصنيف القائم على عدد قليل من الأمثلة (Few-shot Segmentation) أمرًا مهمًا، حيث يعتمد فقط على عدد قليل من التسميات لفئة الهدف الجديدة. ومع ذلك، في سياق التصنيف القائم على عدد قليل من الأمثلة، يكون توزيع بيانات الفئة المستهدفة في فضاء الميزات متباعدًا وله تغطية منخفضة بسبب التغيرات الطفيفة في بيانات العينة. ويصبح من المستحيل تحديد حد فاصل تصنيف يفصل بشكل مناسب الفئة المستهدفة عن الفئات الأخرى. وبخاصة، يصعب تصنيف الفئات المشابهة للفئة المستهدفة القريبة من الحد الفاصل. ولذلك، تُقدّم هذه الدراسة شبكة علاقات البروتوتيب بين الفئات (Interclass Prototype Relation Network - IPRNet)، التي تُحسّن أداء الفصل من خلال تقليل التشابه بين الفئات الأخرى. وتم إجراء تجارب واسعة باستخدام مجموعتي بيانات Pascal-5i وCOCO-20i، وأظهرت النتائج أن IPRNet تقدم أفضل أداء في التصنيف مقارنةً بأبحاث سابقة.