La segmentación de pocos disparos (FSS) es una tecnología de vanguardia que puede satisfacer requisitos utilizando una carga de trabajo pequeña. Con el desarrollo de la Ingeniería Aeroespacial de China, la FSS desempeña un papel fundamental en el análisis inteligente de escenas de trabajo de astronautas (AWS). Aunque los métodos FSS convencionales han logrado avances considerables en datos naturales, no son adecuados para las AWS. Las AWS se caracterizan por un primer plano (FG) y un fondo (BG) similares, categorías indistinguibles y la fuerte influencia de la luz, lo que plantea mayores exigencias a los métodos FSS. Diseñamos una red de características a nivel de píxel y de clase (PCNet) para emparejar características de soporte y consulta utilizando pistas semánticas a nivel de píxel y de clase. Específicamente, PCNet extrae información semántica a nivel de píxel en cada capa de la columna vertebral utilizando una nueva atención cruzada. Prototipos densos se utilizan además para extraer pistas semánticas a nivel de clase como complemento. Además, el prototipo profundo se destila en reversa hacia la capa superficial para mejorar su calidad. Además, personalizamos un conjunto de datos para las AWS y realizamos abundantes experimentos. Los resultados indican que PCNet supera al mejor método publicado en un 4.34% y un 5.15% en precisión bajo configuraciones de un disparo y cinco disparos, respectivamente. Además, PCNet se compara favorablemente con el modelo de segmentación semántica tradicional bajo la configuración de 13 disparos.