El sesgo del conjunto de datos es un obstáculo significativo que afecta negativamente el rendimiento de la clasificación de imágenes, especialmente en el aprendizaje de pocas muestras, donde los conjuntos de datos tienen muestras limitadas por clase. Sin embargo, pocos estudios se han centrado en este problema. Para abordar esto, proponemos una red de predicción de sesgo que recupera sesgos como el color de las características extraídas de los datos de imagen, lo que resulta en una mejora del rendimiento en la clasificación de imágenes de pocas muestras. Si la red puede recuperar fácilmente el sesgo, las características extraídas pueden contener el sesgo. Por lo tanto, se entrena todo el marco para extraer características que sean difíciles de recuperar para la red de predicción de sesgos. Evaluamos nuestro método integrándolo con varios modelos de aprendizaje de pocas muestras existentes en múltiples conjuntos de datos de referencia. Los resultados muestran que la red propuesta puede mejorar el rendimiento en diferentes escenarios. El enfoque propuesto reduce efectivamente el efecto negativo del sesgo del conjunto de datos, lo que resulta en mejoras de rendimiento en la clasificación de imágenes de pocas muestras. El modelo de predicción de sesgo propuesto es fácilmente compatible con otros modelos de aprendizaje de pocas muestras y aplicable a varias aplicaciones del mundo real donde las muestras sesgadas son frecuentes, como sistemas de RV/RA y aplicaciones de visión por computadora.