人間はわずかなラベル付き例をもとに新しい物体を認識できるが、機械学習システムにおいては少サンプル学習（few-shot learning）は依然として困難な課題である。これまでの少サンプル学習における多数のアルゴリズムは、画像の空間情報のみを活用している。本論文では、学習モデルに周波数情報を統合することで、システムの識別能力を向上させる手法を提案する。具体的には、離散コサイン変換（Discrete Cosine Transformation, DCT）を用いて周波数表現を生成し、空間領域と周波数領域からの特徴を統合して分類を行う。提案手法の有効性は、異なるバックボーン、データセット、およびアルゴリズムを用いた実験によって検証された。広範な実験結果から、周波数情報は空間表現と相補的であり、少サンプル分類において空間領域と周波数領域の特徴を統合することで、さまざまな少サンプル学習タスクにおいて分類精度が顕著に向上することが示された。