Wir präsentieren ein konzeptuell einfaches, flexibles und allgemeines Framework für Few-Shot-Lernen, bei dem ein Klassifikator lernen muss, neue Klassen zu erkennen, wenn ihm nur wenige Beispiele jeder Klasse zur Verfügung stehen. Unsere Methode, die als Relation Network (RN) bezeichnet wird, wird von Grund auf end-to-end trainiert. Während des Meta-Lernens lernt sie, eine tiefe Distanzmetrik zu erlernen, um in Episoden eine geringe Anzahl von Bildern miteinander zu vergleichen, wobei jede Episode so gestaltet ist, dass sie das Few-Shot-Szenario simuliert. Sobald das Training abgeschlossen ist, kann ein RN Bilder neuer Klassen klassifizieren, indem es Relationsscores zwischen Abfragebildern und den wenigen Beispielen jeder neuen Klasse berechnet, ohne das Netzwerk weiter zu aktualisieren. Neben der Verbesserung der Leistung beim Few-Shot-Lernen lässt sich unser Framework leicht auf Zero-Shot-Lernen erweitern. Umfangreiche Experimente an fünf Benchmarks zeigen, dass unser einfacher Ansatz eine vereinte und effektive Lösung für beide Aufgaben bietet.