Los métodos de clasificación de imágenes convencionales suelen requerir un gran número de muestras de entrenamiento para el modelo de entrenamiento. Sin embargo, en escenarios prácticos, la cantidad de datos de muestra disponibles suele ser insuficiente, lo que lleva fácilmente al sobreajuste en la construcción de la red. El aprendizaje de pocas muestras proporciona una solución efectiva a este problema y ha sido un tema de investigación candente.