Few-shot learningは、各クラスに対してわずかにしかラベル付きサンプルが存在しない新たな問題に対して、1つまたは複数のディープラーニングモデルが学習した知識を活用することで、優れた分類性能を達成することを目的としている。近年、この分野には多数の研究が報告されており、多様な要素を含む手法が提案されている。しかし、しばしば問題となるのは、知識抽出に用いられるモデルが最適に訓練されていないことである。その結果、提案手法が、導入された要素なしにより優れた初期モデルを使用した場合と比べて本当に性能向上をもたらしているのか、疑問が呈されることがある。本研究では、汎用データセット上で初期のディープラーニングモデルを学習する際に使用されるハイパーパラメータやパラメータにほとんど追加せずに、複数の標準化されたベンチマークにおいて、既存の最先端性能と同等あるいはそれを上回る結果を達成するシンプルな手法を提案する。本手法は、新たな技術の提案や既存手法の適応に関する新しいベースラインを提供するものである。