Klassifizierer, die auf disjunkten Klassen mit wenigen gelabelten Datenpunkten trainiert wurden, werden im One-Shot-Lernen eingesetzt, um visuelle Konzepte aus anderen Klassen zu erkennen. In jüngster Zeit wurden Siamese-Netzwerke und Similaritätslayer verwendet, um das One-Shot-Lernproblem zu lösen und auf visuellen Charaktererkennungsdatensätzen eine state-of-the-art-Leistung erzielt. Im Laufe der Jahre wurden verschiedene Techniken entwickelt, um die Leistung dieser Netzwerke auf feinabgestuften Bilddatenbanken zu verbessern. Dabei lag der Fokus hauptsächlich auf der Verbesserung der Verlust- und Aktivierungsfunktionen, der Augmentation visueller Merkmale, der Anwendung von Multiskalen-Metrik-Lernverfahren sowie der Vortrainierung und Feinabstimmung des Backbone-Netzwerks. In dieser Arbeit untersuchen wir Similaritätslayer für One-Shot-Lernaufgaben und stellen zwei Frameworks vor, um diese Layer in ein MergedNet-Netzwerk zu integrieren. Auf allen vier in unserer Studie verwendeten Datensätzen übertraf MergedNet die Baseline-Modelle hinsichtlich der Klassifizierungsgenauigkeit, und es zeigt eine gute Generalisierungsfähigkeit auf anderen Datensätzen, wenn es auf miniImageNet trainiert wurde.