En muchos problemas de la vida real, es difícil adquirir o etiquetar grandes cantidades de datos, lo que resulta en problemas de aprendizaje de pocos disparos. Sin embargo, la clasificación de pocos disparos es un problema desafiante debido a la incertidumbre causada por el uso de pocas muestras etiquetadas. En los últimos años, se han propuesto muchos métodos con el objetivo común de transferir conocimientos adquiridos en una tarea previamente resuelta, lo cual se logra a menudo mediante el uso de un extractor de características preentrenado. Por lo tanto, si la tarea inicial contiene muchas muestras etiquetadas, es posible evitar las limitaciones del aprendizaje de pocos disparos. Una desventaja de los métodos existentes es que a menudo requieren información previa sobre la distribución de los datos, como el equilibrio entre las clases consideradas. En este documento, proponemos un método novedoso basado en transferencia con un doble objetivo: proporcionar un rendimiento de vanguardia, como se informa en conjuntos de datos estandarizados en el campo del aprendizaje de pocos disparos, sin requerir tales información previa restrictiva. Nuestra metodología es capaz de hacer frente tanto a casos inductivos, donde la predicción se realiza en muestras de prueba de forma independiente entre sí, como a casos transductivos, donde se realiza una predicción conjunta (por lotes).