Entrenar modelos de aprendizaje profundo para clasificación con datos limitados y recursos computacionales sigue siendo un desafío cuando el número de clases es grande. El aprendizaje métrico ofrece una solución efectiva a este problema. Sin embargo, tiene sus propias limitaciones debido a las imperfecciones conocidas de las funciones de pérdida ampliamente utilizadas como la pérdida contrastiva y la pérdida triplet, así como los métodos de extracción de muestras. Este documento aborda estos problemas proponiendo un nuevo método de extracción y una función de pérdida métrica.