تعمل معظم الدراسات السابقة في التعلم القليل (FSL) بشكل رئيسي على الصور الطبيعية للمفاهيم والتصنيفات العامة، وتُفترض فيها تشابهًا بصريًا عاليًا جدًا بين الفئات المصدرية والهدفية. في المقابل، يهدف التعلم القليل عبر المجالات (CD-FSL) الذي تم اقتراحه حديثًا إلى نقل المعرفة من الصور الطبيعية العامة التي تحتوي على عدد كبير من الأمثلة المُعلَّمة إلى فئات هدفية محددة مجالياً جديدة، والتي تمتلك عددًا قليلاً جدًا من الأمثلة المُعلَّمة. تكمن التحدي الرئيسي في CD-FSL في التحول الكبير في البيانات بين المجالات المصدرية والهدفية، والذي يكون غالبًا على شكل أنماط بصرية مختلفة تمامًا. وهذا يجعل من غير السهل تمديد الطرق الكلاسيكية للتعلم القليل مباشرةً لمعالجة مهمة CD-FSL. وللتصدي لهذا التحدي، تدرس هذه الورقة مشكلة CD-FSL من خلال تغطية توزيعات الأنماط في مجموعة البيانات المصدرية. وبشكل خاص، يتم استخدام تحويل الموجات (Wavelet Transform) لتمكين فك تمثيلات الصور إلى مكونات منخفضة التردد مثل الشكل والنمط، ومكونات عالية التردد مثل النسيج. ولجعل النموذج مقاومًا للأنماط البصرية، يتم تعزيز الصور المصدرية عن طريق استبدال أنماط مكوناتها منخفضة التردد ببعضها البعض. ونُقدّم وحدة جديدة تُسمى "تعزيز النمط" (StyleAug) لتنفيذ هذه الفكرة. علاوةً على ذلك، نقدّم وحدة تعلم ذاتي (Self-Supervised Learning - SSL) لضمان أن تكون التنبؤات بالنسبة للصور التي تم تعزيزها من حيث النمط مشابهة من الناحية الدلالية للصور الأصلية غير المُعدّلة. وهذا يمنع مشكلة الانزياح الدلالي المحتملة الناتجة عن استبدال الأنماط. أظهرت التجارب الواسعة على بحثين معياريين لـ CD-FSL فعالية طريقتنا، وسيتم إصدار الشفرة البرمجية والنماذج الخاصة بنا.