Traditionelle semantische Segmentierung erfordert einen großen datenbasierten Bildkorpus mit Annotationen und kann nur innerhalb vorgegebener Klassen vorhergesagt werden. Um dieses Problem zu lösen, ist die Few-Shot-Segmentierung von großer Bedeutung, da sie lediglich eine geringe Anzahl an Annotationen für die neue Zielklasse benötigt. Allerdings ist die Datenverteilung der Zielklasse im Merkmalsraum bei der Few-Shot-Segmentierung aufgrund geringfügiger Variationen in den Beispielbildern spärlich und weist eine geringe Abdeckung auf. Die Festlegung einer Klassifikationsgrenze, die die Zielklasse angemessen von den anderen Klassen trennt, ist somit eine unlösbare Aufgabe. Insbesondere ist die Klassifizierung von Klassen, die der Zielklasse in der Nähe der Grenze ähnlich sind, äußerst schwierig. In dieser Studie wird das Interclass Prototype Relation Network (IPRNet) vorgestellt, das die Trennleistung verbessert, indem die Ähnlichkeit zwischen anderen Klassen reduziert wird. Umfassende Experimente mit Pascal-5i und COCO-20i zeigten, dass IPRNet im Vergleich zu vorhergehenden Ansätzen die beste Segmentierungsergebnisse liefert.