La segmentation sémantique traditionnelle nécessite un grand ensemble d’images étiquetées et ne peut prédire que dans des classes prédéfinies. Pour résoudre ce problème, la segmentation à faible exemplaire, qui requiert uniquement quelques annotations pour une nouvelle classe cible, revêt une importance majeure. Toutefois, dans le cadre de la segmentation à faible exemplaire, la distribution des données de la classe cible dans l’espace des caractéristiques est rare et présente une couverture faible en raison des légères variations présentes dans les échantillons. Il devient ainsi impossible de définir une frontière de classification appropriée permettant de séparer efficacement la classe cible des autres classes. En particulier, il est difficile de classifier des classes similaires à la classe cible situées près de la frontière. Cette étude propose le Réseau de Relation de Prototypes Interclasses (IPRNet), qui améliore les performances de séparation en réduisant la similarité entre les autres classes. Des expérimentations approfondies menées sur les jeux de données Pascal-5i et COCO-20i montrent que IPRNet obtient les meilleures performances de segmentation par rapport aux méthodes précédentes.