الهدف من التجزئة الدلالية ذات العينات القليلة العامة (GFSS) هو التعرف على كائنات فئات جديدة من خلال التدريب باستخدام عدد قليل من الأمثلة المُعلَّمة، بالإضافة إلى نموذج الفئة الأساسية الذي تعلّم معرفة حول الفئات الأساسية. على عكس التجزئة الدلالية ذات العينات القليلة التقليدية، يهدف GFSS إلى تصنيف البكسلات إلى كل من الفئات الأساسية والجديدة، مما يجعله بيئة أكثر واقعية. تعتمد الطرق الحالية لـ GFSS على عدة تقنيات مثل استخدام مجموعات من الوحدات المخصصة، ووظائف الخسارة المصممة بعناية، والتعلم التخميني (meta-learning)، والتعلم التمديدي (transductive learning). ومع ذلك، وجدنا أن قاعدة بسيطة وتعلم مراقبة قياسي يُحسّنان بشكل كبير أداء GFSS. في هذا البحث، نقترح طريقة بسيطة وفعالة لـ GFSS لا تعتمد على التقنيات المذكورة أعلاه. كما نُظهر نظريًا أن طريقة لدينا تحافظ تمامًا على أداء التجزئة الخاص بنموذج الفئة الأساسية على معظم الفئات الأساسية. وتمت إثبات فعالية طريقة لدينا من خلال تجارب عددية، حيث ساهمت في تحسين أداء التجزئة للطبقات الجديدة في سيناريو 1-shot بنسبة 6.1% على مجموعة بيانات PASCAL-$5^i$5i، و4.7% على PASCAL-$10^i$10i، و1.0% على COCO-$20^i$20i، مما يُظهر تفوقها بشكل ملحوظ.