少样本学习方法旨在仅依赖少量标注样本的情况下识别新的物体类别。为防止过拟合，当前先进的少样本学习方法通常在卷积神经网络提取的特征上采用元学习，并结合最近邻分类器进行分类。本文研究了在不使用元学习的情况下，最近邻分类器基线方法的性能表现。令人意外的是，我们发现仅通过简单的特征变换即可获得具有竞争力的少样本学习准确率。例如，在miniImageNet数据集上，将最近邻分类器与均值减法和L2归一化相结合，在五种实验设置中的三种上取得了优于以往方法的性能结果。