Übliche Ansätze für Few-Shot-Klassifikation bestehen darin, zunächst eine generische Datendarstellung anhand eines großen annotierten Datensatzes zu lernen, bevor diese Darstellung an neue Klassen angepasst wird, wobei nur wenige gelabelte Beispiele zur Verfügung stehen. In dieser Arbeit schlagen wir eine neue Strategie basierend auf Merkmalsauswahl vor, die sowohl einfacher als auch effektiver als frühere Ansätze zur Merkmalsanpassung ist. Zunächst erzeugen wir eine multidomänenbasierte Darstellung, indem wir eine Reihe semantisch unterschiedlicher Merkmalsextraktoren trainieren. Anschließend nutzen wir bei einer Few-Shot-Lernaufgabe unseren multidomänenbasierten Merkmalsbank, um automatisch die relevantesten Darstellungen auszuwählen. Wir zeigen, dass ein einfacher nichtparametrischer Klassifikator, der auf diesen Merkmalen basiert, hohe Genauigkeit erzielt und sich auf Domänen generalisiert, die während des Trainings nie gesehen wurden, was zu state-of-the-art-Ergebnissen auf MetaDataset und verbesserten Genauigkeiten auf mini-ImageNet führt.