Few-shot Learning zielt darauf ab, Wissen, das durch ein oder mehrere tiefe Lernmodelle erlernt wurde, zu nutzen, um eine gute Klassifizierungsgenauigkeit auf neuen Aufgaben zu erzielen, bei denen pro Klasse nur wenige beschriftete Beispiele zur Verfügung stehen. In den letzten Jahren wurden zahlreiche Arbeiten auf diesem Gebiet veröffentlicht, die Methoden mit einer Vielzahl von Komponenten einführen. Ein häufiges Problem ist jedoch die Verwendung suboptimal trainierter Modelle zur Wissensextraktion, was Zweifel aufkommen lässt, ob die vorgeschlagenen Ansätze tatsächlich Verbesserungen bringen im Vergleich zu besseren Ausgangsmodellen ohne die eingeführten Zusatzkomponenten. In dieser Arbeit stellen wir eine einfache Methodologie vor, die auf mehreren standardisierten Benchmarks des Feldes entweder die bisherigen State-of-the-Art-Leistungen erreicht oder sogar übertroffen hat, wobei praktisch keine zusätzlichen Hyperparameter oder Parameter hinzugefügt werden, die jenseits derjenigen liegen, die für die Training der ursprünglichen tiefen Lernmodelle auf einem generischen Datensatz verwendet werden. Diese Methodologie bietet eine neue Basis, auf der neue Techniken vorgeschlagen und fair verglichen oder bestehende Ansätze angepasst werden können.