La investigación ha estado en curso durante años para descubrir las características de imagen que permiten su mejor clasificación. Uno de los últimos desarrollos en esta área es el Self-Distillation with No Labels Vision Transformer-DINO-ViT. Sin embargo, incluso para una sola imagen, su volumen es significativo. Por lo tanto, en este artículo propusimos reducir sustancialmente su tamaño, utilizando dos métodos: Análisis de Componentes Principales y Análisis de Componentes de Vecindario. Nuestros métodos desarrollados, PCA-DINO y NCA-DINO, mostraron una reducción significativa en el volumen de las características, a menudo superando un orden de magnitud, manteniendo o reduciendo ligeramente la precisión de la clasificación, lo cual fue confirmado por numerosos experimentos. Además, evaluamos el método de Aproximación y Proyección de Manifold Uniforme (UMAP), mostrando la superioridad de los enfoques PCA y NCA. Nuestros experimentos que involucraron modificaciones en el tamaño de los parches, cabezas de atención e inserción de ruido en DINO-ViT demostraron que tanto PCA-DINO como NCA-DINO exhibieron una precisión confiable. Mientras que NCA-DINO es óptimo para aplicaciones de alto rendimiento a pesar de su mayor costo computacional, PCA-DINO ofrece una solución más rápida y eficiente en recursos, dependiendo de los requisitos específicos de la aplicación. El código de nuestro método está disponible en GitHub.