従来のセマンティックセグメンテーションは、大量のラベル付き画像データセットを必要とし、事前に定義されたクラス内での予測しか行えない。この問題を解決するため、新しいターゲットクラスに対してわずかなアノテーション（ラベル）で済む少サンプルセグメンテーション（few-shot segmentation）が重要視されている。しかし、少サンプルセグメンテーションでは、サンプルデータのわずかな変動に起因して特徴空間におけるターゲットクラスのデータ分布が疎になり、カバレッジが低くなるという課題がある。これにより、ターゲットクラスと他のクラスを適切に分離する分類境界を設定することは困難である。特に、境界付近に位置するターゲットクラスに類似したクラスの分類は極めて困難である。本研究では、他のクラス間の類似性を低減することで分離性能を向上させる、クラス間プロトタイプ関係ネットワーク（Interclass Prototype Relation Network; IPRNet）を提案する。Pascal-5iおよびCOCO-20iを用いた広範な実験により、従来の手法と比較してIPRNetが最も優れたセグメンテーション性能を達成することを示した。