Die Few-Shot-Klassifikation besteht darin, ein vorhersagendes Modell zu erlernen, das in der Lage ist, sich effektiv an eine neue Klasse anzupassen, wenn nur wenige annotierte Beispiele zur Verfügung stehen. Um dieses herausfordernde Problem zu lösen, hat das Meta-Lernen zu einem beliebten Paradigma werden können, das die Fähigkeit zum "Lernen des Anpassens" fördert. Kürzlich veröffentlichte Arbeiten haben jedoch gezeigt, dass einfache Lernstrategien ohne Meta-Lernen ebenfalls wettbewerbsfähig sein können. In dieser Arbeit gehen wir einen Schritt weiter und zeigen, dass durch die Bewältigung des grundlegenden Problems der hohen Varianz bei Few-Shot-Klassifikatoren eine signifikante Überlegenheit gegenüber aktuellen Meta-Lerntechniken erreicht werden kann. Unser Ansatz besteht darin, ein Ensemble tiefer Netze zu entwerfen, um die Varianz der Klassifikatoren zu nutzen, und neue Strategien einzuführen, um die Zusammenarbeit der Netze zu fördern und gleichzeitig eine Vorhersagevielfalt zu ermutigen. Die Bewertung erfolgt auf den Datensätzen mini-ImageNet und CUB, wo wir zeigen, dass sogar ein einzelnes Netzwerk, das durch Destillation erhalten wird, Stand der Technik ergebende Leistungen aufweist.