تصنيف القليل من العينات يهدف إلى تعلم تصنيف يمكنه التعرف على فئات غير مرئية أثناء التدريب باستخدام أمثلة مصنفة محدودة. رغم التقدم الكبير الذي تم إحرازه، فإن التعقيد المتزايد في تصاميم الشبكات، خوارزميات التعلم الميتا (meta-learning)، والاختلافات في تفاصيل التنفيذ تجعل المقارنة العادلة صعبة. في هذا البحث، نقدم 1) تحليلًا مقارنًا متسقًا لعدة خوارزميات تصنيف قليل العينات ممثلة، حيث أظهرت النتائج أن العمود الفقري الأعمق (deeper backbones) يقلل بشكل كبير من الاختلافات في الأداء بين الطرق على مجموعة بيانات ذات اختلافات مجالية محدودة، 2) طريقة أساسية معدلة حققت أداءً تنافسيًا بشكل مفاجئ عند المقارنة بأحدث الطرق على كل من مجموعة بيانات \miniI ومجموعة بيانات CUB، و3) إعداد تجريبي جديد لتقييم قدرة التعميم عبر المجالات لخوارزميات تصنيف قليل العينات. كشفت نتائجنا أن تقليل الاختلاف داخل الفئة هو عامل مهم عندما يكون العمود الفقري للخصائص ضحلًا، ولكنه ليس بالأهمية نفسها عند استخدام الأعمدة الفقرية الأعمق. في إعداد تقييم عبر المجالات واقعي، أظهرنا أن الطريقة الأساسية مع ممارسة التعديل الدقيق القياسية (standard fine-tuning practice) تحقق أداءً جيدًا مقابل باقي خوارزميات التعلم القليل من العينات الأكثر حداثة.