يتمتع الجهاز البصري البشري بقدرة ملحوظة على التعلم السهل لمفاهيم جديدة من خلال أمثلة قليلة فقط. تقليد هذا السلوك في أنظمة الرؤية التي تعتمد على تعلم الآلة هو مشكلة بحثية مثيرة وصعبة للغاية، ولها العديد من المزايا العملية في تطبيقات الرؤية الحقيقية. في هذا الإطار، هدف عملنا هو تصميم نظام تعلم بصري قليل الأمثلة يمكنه خلال مرحلة الاختبار التعلم بكفاءة لفئات جديدة من خلال بيانات تدريب قليلة فقط، وفي الوقت نفسه عدم نسيان الفئات الأساسية التي تم تدريبه عليها (والتي نطلق عليها فئات الأساس). لتحقيق هذا الهدف، نقترح (أ) توسيع نظام التعرف على الكائنات بمولد أوزان تصنيف يستند إلى الانتباه، و(ب) إعادة تصميم تصنيف نموذج الشبكة العصبية المتلافهة (ConvNet) ليكون دالة التشابه الجيب التمامي بين تمثيلات الخصائص وأوزان التصنيف. هذه الطريقة، بالإضافة إلى توحيد التعرف على الفئات الجديدة والفئات الأساسية، تسهم أيضًا في إنتاج تمثيلات خصائص أفضل للتصنيفات "غير المرئية" (unseen). قدمنا تقييمًا شاملًا لنهجنا على Mini-ImageNet حيث نجحنا في تحسين النتائج السابقة لأفضل مستوى (حيث حققنا 56.20٪ و73.00٪ في إعدادي 1-shot و5-shot على التوالي) دون المساس بدقة الفئات الأساسية، وهو ما يفتقر إليه معظم النهج السابقة. أخيرًا، طبقنا نهجنا على معيار Bharath وGirshick القليل الأمثلة الذي تم تقديمه مؤخرًا [4] حيث حققنا أيضًا أفضل النتائج الحالية. سيتم نشر كود البرامج والنماذج المستخدمة في ورقتنا على الرابط التالي: https://github.com/gidariss/FewShotWithoutForgetting