DINO로 사전 훈련된 모델과 프로토타입 분류기를 결합한 방법이 교차 도메인 소수 샷 학습에서 최신 SOTA(State-of-The-Art) 방법보다 우수한 성능을 보입니다. 라벨된 샘플 부족으로 인한 과적합 문제를 해결하기 위해, soft prompts의 후속으로 'coalescent projection'을 제안합니다. 또한, 새로운 pseudo-class 생성 방법을 제안하여, 자기 지도 학습 변환과 결합하여, 기반 도메인에만 의존하여 다른 도메인의 미지의 샘플에 대한 네트워크를 준비시킵니다. BSCD-FSL 벤치마크의 극심한 도메인 시프트 문제에 대한 광범위한 실험에서 제안된 방법의 효과를 입증합니다.
