Aktuelle Methoden für Few-Shot-Segmentierung (FSSeg) haben sich hauptsächlich auf die Verbesserung der Leistung bei neuen Klassen konzentriert, während sie die Leistung bei Basis-Klassen vernachlässigt haben. Um diese Einschränkung zu überwinden, wurde die Aufgabe der generalisierten Few-Shot-Semantischen Segmentierung (GFSSeg) eingeführt, die darauf abzielt, Segmentationsmasken sowohl für Basis- als auch für neue Klassen vorherzusagen. Dennoch berücksichtigen die aktuellen prototypbasierten Methoden nicht explizit das Verhältnis zwischen Basis- und neuen Klassen beim Aktualisieren der Prototypen, was zu einer begrenzten Leistung bei der Identifikation von echten Kategorien führt. Um dieser Herausforderung gerecht zu werden, schlagen wir einen klassenkontrastiven Verlust und einen klassenbezogenen Beziehungsverlust vor, um die Aktualisierung der Prototypen zu regulieren und eine große Distanz zwischen Prototypen verschiedener Klassen zu fördern. Dies ermöglicht es, die Klassen voneinander abzugrenzen, während gleichzeitig die Leistung der Basis-Klassen aufrechterhalten wird. Unser vorgeschlagener Ansatz erreicht neue Standartwerte (state-of-the-art performance) bei der generalisierten Few-Shot-Segmentierungsaufgabe auf den Datensätzen PASCAL VOC und MS COCO.