Das Ziel der generalisierten Few-Shot-Semantischen Segmentierung (GFSS) besteht darin, Objekte neuer Klassen durch Trainierung mit wenigen annotierten Beispielen und einem Basisklassen-Modell, das Wissen über die Basisklassen erlernt hat, zu erkennen. Im Gegensatz zur klassischen Few-Shot-Semantischen Segmentierung zielt GFSS darauf ab, Pixel sowohl den Basisklassen als auch den neuen Klassen zuzuordnen, was eine praktikablere Anwendungssituation darstellt. Aktuelle GFSS-Methoden setzen auf verschiedene Techniken wie die Kombination maßgeschneiderter Module, sorgfältig entworfene Verlustfunktionen, Meta-Lernen und transduktives Lernen. Wir haben jedoch festgestellt, dass eine einfache Regel und standardmäßiges überwachtes Lernen die Leistung der GFSS erheblich verbessern. In diesem Paper stellen wir eine einfache, jedoch wirksame Methode für GFSS vor, die auf den oben genannten Techniken verzichtet. Zudem zeigen wir theoretisch, dass unsere Methode die Segmentierungspflege des Basisklassen-Modells für die meisten Basisklassen nahezu perfekt beibehält. Durch numerische Experimente belegen wir die Wirksamkeit unserer Methode: Sie verbessert die Segmentierungspflege für neue Klassen im 1-Shot-Szenario um 6,1 % auf dem PASCAL-$5^i$5i-Datensatz, um 4,7 % auf dem PASCAL-$10^i$10i-Datensatz und um 1,0 % auf dem COCO-$20^i$20i-Datensatz.