Wir behandeln das Problem der One-Shot-Segmentierung: die Erkennung und Segmentierung eines bisher unbekannten Objekts in einer stark verwirrten Szene anhand einer einzigen Anweisungsbeispiel. Wir stellen einen neuen Datensatz vor, den wir $\textit{cluttered Omniglot}$cluttered Omniglot nennen. Unter Verwendung einer Baseline-Architektur, die eine Siamese-Embedding-Struktur für die Erkennung mit einem U-Net für die Segmentierung kombiniert, zeigen wir, dass steigende Verwirrtheitsgrade die Aufgabe sukzessive schwieriger machen. Mittels Oracle-Modelle, die unterschiedliche Mengen an Ground-Truth-Informationen nutzen können, evaluieren wir verschiedene Aspekte des Problems und zeigen, dass sich bei solchen visuellen Suchaufgaben Erkennung und Segmentierung gegenseitig beeinflussen: die Lösung eines Problems unterstützt die Lösung des anderen. Daher führen wir $\textit{MaskNet}$MaskNet ein, ein verbessertes Modell, das mehrere Kandidatennutzungsorte berücksichtigt, Segmentierungs-Vorschläge generiert, um Hintergrundverwirrung auszublenden, und anschließend zwischen den segmentierten Objekten auswählt. Unsere Ergebnisse deuten darauf hin, dass solche Bilderkennungsmodelle, die auf einer iterativen Verfeinerung der Objekterkennung und der Vordergrund-Segmentierung basieren, eine Möglichkeit darstellen könnten, mit extrem verwirrten Szenen umzugehen.