現在の少ショットセグメンテーション（Few-Shot Segmentation: FSSeg）手法は、主に新規クラスの性能向上に焦点を当て、ベースクラスの性能を軽視しています。この制約を克服するために、汎化少ショットセマンティックセグメンテーション（Generalized Few-Shot Semantic Segmentation: GFSSeg）というタスクが導入されました。このタスクは、ベースクラスと新規クラス双方のセグメンテーションマスクを予測することを目指しています。しかし、現在のプロトタイプベースの手法では、プロトタイプ更新時にベースクラスと新規クラスの関係性を明示的に考慮していないため、真のカテゴリを識別する際の性能が制限されています。この課題に対処するため、我々はクラスコントラスティブ損失とクラス関係性損失を提案します。これらの損失関数により、異なるクラス間のプロトタイプ間距離が大きくなるようにプロトタイプ更新を規制し、各クラスを区別しつつベースクラスの性能を維持することが可能となります。我々が提案したアプローチは、PASCAL VOCおよびMS COCOデータセットにおいて、汎化少ショットセグメンテーションタスクで新たな最先端の性能を達成しました。