La capacidad de interpretar datos multimodales y mapear los objetivos y anomalías dentro de ellos es importante para un sistema de reconocimiento automático. Debido a la naturaleza costosa y que consume mucho tiempo de la anotación de datos de series temporales multimodales en la etapa de entrenamiento, la comprensión de imágenes de series temporales multimodales, desde plataformas de drones y robots móviles cuadrúpedos, es una tarea desafiante para la teledetección y la fotogrametría. En este sentido, los métodos robustos deben ser de bajo costo computacional, debido a los datos limitados en plataformas aéreas y terrestres, pero lo suficientemente precisos como para cumplir con las medidas de certeza. En este estudio, se propone una arquitectura de aprendizaje de pocos ejemplos, basada en una estructura de compresión y atención, para la detección de objetivos multimodales, utilizando imágenes de series temporales de las plataformas de drones y robots cuadrúpedos con un pequeño conjunto de datos de entrenamiento. Para construir algoritmos robustos en la detección de objetivos, se ha desarrollado una estructura de compresión y atención a partir de imágenes de series temporales multimodales con datos de entrenamiento limitados como un método optimizado. La arquitectura propuesta fue validada en tres conjuntos de datos con múltiples modalidades (por ejemplo, rojo-verde-azul, color-infrarrojo y térmico), logrando resultados competitivos.