بفضل الأبحاث في التعلم العميق والقواعد البيانات الكبيرة، حققت تقنية التنبؤ بالعناصر البارزة نجاحًا كبيرًا خلال العقد الماضي. ومع ذلك، لا يزال من الصعب التنبؤ بخرائط العناصر البارزة على الصور في مجالات جديدة تفتقر إلى بيانات كافية للنماذج التي تعتمد بشكل كبير على البيانات. لحل هذه المشكلة، نقترح نموذج تعلم انتقالي قليل الإجراءات (few-shot transfer learning) للتنبؤ بالعناصر البارزة، والذي يمكّن من نقل المعرفة Learned بكفاءة من القواعد البيانات الكبيرة للعناصر البارزة الموجودة إلى مجال مستهدف به أمثلة مصنفة محدودة. تحديدًا، يتم استخدام عدد قليل جدًا من أمثلة المجال المستهدف كمرجع لتدريب النموذج باستخدام قاعدة بيانات المجال المصدر بحيث يمكن للعملية التدريبية أن تتقارب إلى الحد الأدنى المحلي الذي يناسب المجال المستهدف. ثم يتم ضبط النموذج المتعلم بشكل أكبر باستخدام المرجع. الإطار المقترح يستند إلى الجراديل (gradients) ولا يعتمد على نوع النموذج (model-agnostic). أجرينا تجارب شاملة ودراسة حذفية (ablation study) على أزواج مختلفة من المجالات المصدر والمجالات المستهدفة. تظهر النتائج أن الإطار المقترح حقق تحسنًا كبيرًا في الأداء. الرمز البرمجي متاح بشكل عام في الرابط \url{https://github.com/luoyan407/n-reference}.