تُدرَّس معظم طرق التصنيف الصغير للصور بناءً على المهام. عادةً ما تُبنى المهام على الفئات الأساسية التي تحتوي على عدد كبير من الصور المُعلَّمة، مما يستهلك جهدًا كبيرًا. أما الطرق غير المُعلَّمة للتصنيف الصغير للصور، فهي لا تحتاج إلى صور مُعلَّمة، لأنها تتطلب بناء المهام على صور غير مُعلَّمة. ولبناء المهام بشكل فعّال باستخدام صور غير مُعلَّمة، نقترح طريقة تجميع من مرحلة واحدة جديدة تُسمى: "تعلم الميزات في فضاء التجميع" (LF2CS)، والتي تُحدِّد أولًا فضاء تجميع قابل للفصل من خلال تثبيت مراكز التجميع، ثم تستخدم نموذجًا قابلاً للتعلم لتعلم الميزات داخل هذا الفضاء. بناءً على طريقة LF2CS، نقترح طريقة جديدة لاستخلاص الصور وبناء مهام c-way k-shot. وباستخدام هذه الطريقة، نقدّم طريقة جديدة للتصنيف الصغير للصور غير المُعلَّمة، والتي تتعلم بشكل مشترك النموذج القابل للتعلم، والتجميع، والتصنيف الصغير للصور. تُظهر النتائج التجريبية والتصورات أن طريقة LF2CS تمتلك قدرة قوية على التعميم على الفئات الجديدة. من منظور استخلاص الصور، نُنفِّذ أربع طرق مرجعية وفقًا لأساليب بناء المهام. ونُجرِي التجارب على مجموعات بيانات Omniglot وminiImageNet وtieredImageNet وCIFARFS باستخدام هياكل Conv-4 وResNet-12. تُظهر النتائج التجريبية أن طريقتنا تتفوّق على أحدث الطرق المُعتمدة في المجال.