تمثّل التعرف على أنشطة اليد من منظور الشخص الأول مهمةً صعبة، خاصةً عندما لا تكون كمية البيانات كافية. وفي هذه الورقة البحثية، ن tackled هذه التحديات من خلال اقتراح نموذج تعلّم متعدد المراحل منخفض التكلفة للتعرف على أنشطة اليد القائمة على الصور RGB من منظور الشخص الأول، باستخدام كمية محدودة من البيانات. بالنسبة لتسلسل صور RGB المُعطى، في المرحلة الأولى، يتم استخراج مناطق الاهتمام باستخدام شبكة عصبية مُدرّبة مسبقًا (NN). ثم، في المرحلة الثانية، يتم استخراج الميزات الفضائية عالية المستوى باستخدام شبكات عصبية عميقة مُدرّبة مسبقًا. وفي المرحلة الثالثة، يتم التعلّم على الاعتماد الزمني. وأخيرًا، في المرحلة الأخيرة، يتم تعلّم فاصل تسلسل أنشطة اليد باستخدام استراتيجية دمج ما بعد التعلّم، والتي تُطبّق على الاعتماد الزمني المُدرّب سابقًا. أظهرت التجارب التي أُجريت على مجموعتين من البيانات الواقعية أن نموذجنا يحقق أفضل النتائج المُحققة حاليًا في المجال. علاوةً على ذلك، تُظهر النتائج أن النموذج المقترح يحقق أداءً جيدًا حتى مع كمية محدودة من البيانات.