少数ショット意味分割は、わずかなラベル付き例のみを用いて新たなオブジェクトクラスの分割を学習することを目的とするもので、実世界における多様な応用が期待されている。既存の多くの方針は、一方向の少数ショット分割という制約された設定に限定されているか、あるいはオブジェクト領域のカバーが不完全であるという課題を抱えている。本論文では、プロトタイプ表現に基づく新しい少数ショット意味分割フレームワークを提案する。本研究の核心的なアイデアは、全体的なクラス表現を、オブジェクトの部位に敏感な複数のプロトタイプに分解することで、多様かつ細粒度なオブジェクト特徴を捉える能力を獲得することにある。さらに、ラベルなしデータを活用して部位に敏感なプロトタイプを豊かにすることで、意味オブジェクトのクラス内変動をより良い形でモデル化することを提案する。本研究では、ラベル付きおよびラベルなし画像を基に、提案された部位に敏感なプロトタイプを生成・強化するための新しいグラフニューラルネットワークモデルを構築した。2つのベンチマークにおける広範な実験評価により、本手法が既存手法を大幅に上回ることを示した。