التصنيف القليل العينات يتألف من تعلم نموذج تنبؤي قادر على التكيف بفعالية مع فئة جديدة، مع وجود عينات مُشَرَّحة قليلة فقط. لحل هذه المشكلة الصعبة، أصبح التعلم الميتا (meta-learning) نموذجاً شائعاً يدعو إلى القدرة على "تعلم كيفية التكيف". ومع ذلك، أظهرت الأعمال الحديثة أن استراتيجيات التعلم البسيطة دون استخدام التعلم الميتا قد تكون تنافسية. في هذا البحث، نتقدم خطوة أخرى ونوضح أنه من خلال التعامل مع مشكلة التباين العالي الأساسية في تصنيفات التعلم القليل العينات، يمكن تحقيق تفوق كبير على التقنيات الحالية للتعلم الميتا. يتكون نهجنا من تصميم مجموعة من الشبكات العميقة للاستفادة من تباين المصنفات، وإدخال استراتيجيات جديدة تشجع الشبكات على التعاون بينما تشجع التنوع في التنبؤ. تم إجراء التقييم على مجموعتي البيانات mini-ImageNet و CUB، حيث أظهرنا أن حتى شبكة واحدة تم الحصول عليها عن طريق الاستخلاص (distillation) تحقق نتائج رائدة في مجالها.