In diesem Paper betrachten wir das Problem der cross-domain Few-Shot-Klassifikation, das darauf abzielt, einen Klassifikator aus bisher nicht gesehenen Klassen und Domänen mit wenigen gelabelten Beispielen zu lernen. Neuere Ansätze lösen dieses Problem im Wesentlichen durch die Parametrisierung ihrer Few-Shot-Klassifikatoren mittels task-agnostischer und task-spezifischer Gewichte, wobei die erstgenannten typischerweise auf einem großen Trainingsdatensatz gelernt werden und die letzteren dynamisch über ein Hilfsnetzwerk vorhergesagt werden, das auf einem kleinen Support-Satz bedingt ist. In dieser Arbeit konzentrieren wir uns auf die Schätzung der task-spezifischen Gewichte und schlagen vor, diese direkt von Grund auf auf einem kleinen Support-Satz zu lernen, im Gegensatz zur dynamischen Schätzung. Insbesondere zeigen wir durch eine systematische Analyse, dass task-spezifische Gewichte, die mittels parametrischer Adapter in Matrixform mit Residual-Verbindungen zu mehreren Zwischenschichten eines Backbone-Netzwerks implementiert sind, die Leistung der aktuellen Stand der Technik in der Meta-Dataset-Benchmark erheblich verbessern, und zwar mit nur geringfügigem zusätzlichen Aufwand.