تتكون الطرق الشائعة لتصنيف النماذج القليلة (few-shot classification) من تعلم تمثيل بيانات عام بناءً على مجموعة بيانات كبيرة مُعلمة، قبل تعديل هذا التمثيل لتصنيف فئات جديدة باستخدام عدد قليل جدًا من العينات المُعلمة. في هذا العمل، نقترح استراتيجية جديدة تعتمد على اختيار الميزات، وهي أبسط وأكثر فعالية من الطرق السابقة التي تعتمد على تعديل الميزات. أولاً، نحصل على تمثيل متعدد المجالات من خلال تدريب مجموعة من مستخرجات الميزات ذات المعاني المختلفة. ثم، عند مواجهة مهمة تصنيف نماذج قليلة، نستخدم مخزن الميزات متعدد المجالات لدينا لاختيار التمثيلات الأكثر صلة تلقائيًا. ونُظهر أن فئة تصنيف بسيطة غير معلمة مبنية على هذه الميزات تُحقق دقة عالية، وتنجح في التعميم على مجالات لم تُرَ أثناء التدريب، ما يؤدي إلى نتائج رائدة في مجموعة بيانات MetaDataset، وتحسين في الدقة على mini-ImageNet.