تهدف النماذج القائمة على التعلم بعدد قليل من الأمثلة إلى التعرف على فئات كائنات جديدة بناءً على عدد قليل جدًا من الأمثلة المُعلمة. ولمنع التعلم الزائد، تستخدم النماذج الحديثة المتقدمة التعلم الميتا على ميزات الشبكات التلافيفية، وتُجري التصنيف باستخدام فئة تصنيف القريب الأقرب. يدرس هذا البحث دقة النماذج الأساسية القائمة على القريب الأقرب دون استخدام التعلم الميتا. وبشكل مفاجئ، نجد أن التحويلات البسيطة للميزات تكفي لتحقيق دقة تنافسية في التعلم بعدد قليل من الأمثلة. على سبيل المثال، نكتشف أن استخدام فئة تصنيف القريب الأقرب مع طريقة طرح المتوسط وتوحيد المقياس L2 يتفوق على النتائج السابقة في ثلاث حالات من أصل خمس حالات ضمن مجموعة بيانات miniImageNet.