El aprendizaje de pocas muestras (FSL) es un problema desafiante. Los métodos de transferencia de aprendizaje ofrecen una solución directa y efectiva al FSL mediante el aprovechamiento de modelos pre-entrenados y generalizándolos a nuevas tareas. Sin embargo, los modelos pre-entrenados a menudo carecen de la capacidad para resaltar y enfatizar características relevantes, una brecha que los mecanismos de atención pueden llenar. Desafortunadamente, los mecanismos de atención existentes encuentran problemas como la alta complejidad e información de atención incompleta. Para abordar estos problemas, proponemos un módulo de atención mejorado dimensionalmente (DEA) para FSL.