一般化少ショットセマンティックセグメンテーション（GFSS）の目的は、ベースクラスに関する知識を学習したベースクラスモデルと、少数のアノテーション付き例を用いて、新規クラスのオブジェクトを認識することである。従来の少ショットセマンティックセグメンテーションとは異なり、GFSSはピクセルをベースクラスおよび新規クラスの両方に分類することを目的としており、より実用的な設定である。現在のGFSS手法は、カスタマイズされたモジュールの組み合わせや、丁寧に設計された損失関数、メタラーニング、伝導学習（transductive learning）などの複数の技術に依存している。しかし、我々はシンプルなルールと標準的な教師あり学習が、GFSSの性能を著しく向上させることを発見した。本論文では、上記の技術を一切用いない、シンプルかつ効果的なGFSS手法を提案する。さらに、理論的に本手法が、大多数のベースクラスにおいてベースクラスモデルのセグメンテーション性能を完全に保持することを示す。数値実験を通じて、本手法の有効性を実証した。PASCAL-$5^i$5iデータセットにおいて1ショット設定で新規クラスのセグメンテーション性能が6.1%向上し、PASCAL-$10^i$10iデータセットでは4.7%、COCO-$20^i$20iデータセットでは1.0%の向上が確認された。