يهدف التعلم القليل إلى تصنيف فئات غير مرئية باستخدام عدد قليل من العينات المُعلَّمة. في الآونة الأخيرة، حققت الطرق القائمة على تعلم المقاييس باستخدام المعلومات من المستوى المنخفض أداءً مرضيًا، نظرًا لأن التمثيلات المحلية (LRs) تكون أكثر اتساقًا بين الفئات المرئية وغير المرئية. ومع ذلك، فإن معظم هذه الطرق تعالج كل فئة في مجموعة الدعم بشكل مستقل، مما لا يكفي لقياس العلاقة بين الميزات، خاصة في مهمة معينة. علاوةً على ذلك، يعاني أسلوب تعلم المقاييس القائم على المعلومات من المستوى المنخفض عند وجود كائنات هيمنة بمقاييس مختلفة في خلفية معقدة. لمعالجة هذه المشكلات، تُقدّم هذه الورقة شبكة جديدة تُسمى شبكة الانتباه المُتكيف للمهمة متعددة المقاييس (MATANet) للتعلم القليل. بشكل خاص، نستخدم أولًا مُولِّد ميزات متعددة المقاييس لإنتاج عدة ميزات على مقاييس مختلفة. ثم نقترح وحدة انتباه مُتكيفة للمهمة لاختيار التمثيلات المحلية الأكثر أهمية ضمن المهمة بأكملها. بعد ذلك، تُستخدم وحدة مُحسوبة للمماثلة-للفئة وطبقة دمج لحساب مماثلة متعددة المقاييس المشتركة بين صورة الاستفسار ومجموعة الدعم. تُظهر التجارب الواسعة على معايير شائعة بوضوح فعالية الشبكة المقترحة مقارنةً بالأساليب الرائدة في المجال.