التعلم من كمية محدودة من البيانات، المعروف باسم التعلم القليل النموذجي (Few-Shot Learning)، يبرز كمهمة صعبة في مجال رؤية الحاسوب. استغلت العديد من الدراسات الدلالات وصممت آليات دمج دلالي معقدة لتعويض النماذج النادرة داخل البيانات المحدودة. ومع ذلك، فإن الاعتماد على الدلالات البسيطة مثل أسماء الفئات يُدخل تحيزات بسبب قصرها، بينما الحصول على دلالات واسعة من المعرفة الخارجية يتطلب وقتًا وجهدًا كبيرين. هذا القيد يحد بشدة من إمكانات الدلالات في التعلم القليل النموذجي. في هذه الورقة البحثية، نصمم طريقة آلية تُدعى تطور الدلالات (Semantic Evolution) لتوليد دلالات عالية الجودة. إدخال الدلالات عالية الجودة يخفف الحاجة إلى بنية شبكات معقدة وخوارزميات تعلم مستخدمة في الأعمال السابقة. لذلك، نستخدم شبكة بسيطة ذات طبقتين تُسمى شبكة مواءمة الدلالات (Semantic Alignment Network) لتحويل الدلالات والميزات البصرية إلى نماذج فئوية قوية تحتوي على ميزات تمييزية غنية للتصنيف القليل النموذجي. تظهر نتائج التجارب أن إطارنا العمل يتفوق على جميع الأساليب السابقة في ست مقاييس Benchmarks، مما يدل على أن شبكة بسيطة مع دلالات عالية الجودة يمكن أن تتفوق على الوحدات متعددة الأوضاع المعقدة في مهام التصنيف القليل النموذجي. الرمز البرمجي متاح على الرابط:https://github.com/zhangdoudou123/SemFew.