Die Objekterkennung erfordert eine Generalisierungsfähigkeit, um Überanpassung zu vermeiden, insbesondere wenn die Stichprobensätze äußerst klein sind. Die Generalisierung auf Basis begrenzter Stichproben wird üblicherweise im Rahmen des Meta-Lernens untersucht und verleiht Lernverfahren die Fähigkeit, sich schnell in dynamischen Umgebungen anzupassen, was sich als entscheidender Aspekt des lebenslangen Lernens erweist. In diesem Artikel präsentieren wir einen Rahmen für Few-Shot-Lernen durch Einführung dynamischer Klassifikatoren, die aus wenigen Proben konstruiert werden. Als zentrales Baustein eines dynamischen Klassifikators wird eine Unterraum-Methode eingesetzt. Wir zeigen empirisch, dass diese Modellierung Robustheit gegenüber Störungen (z. B. Ausreißern) ermöglicht und wettbewerbsfähige Ergebnisse bei der Aufgabe der überwachten und halbüberwachten Few-Shot-Klassifikation liefert. Zudem entwickeln wir eine diskriminative Form, die die Genauigkeit weiter steigern kann. Unser Code ist unter https://github.com/chrysts/dsn_fewshot verfügbar.