本研究提出了特征对齐少样本学习方法，解决了少样本分类中的信息冗余和噪声表示问题。该方法通过交叉归一化技术保留了局部描述子的区分信息，并通过对齐关键局部描述子提升分类性能。实验结果显示，该方法在多个数据集上表现优异，提高了预测的可解释性。