Few-shot-Lerner zielen darauf ab, neue Objektklassen anhand einer geringen Anzahl an gelabelten Trainingsbeispielen zu erkennen. Um Überanpassung zu vermeiden, verwenden moderne Few-shot-Lerner Meta-Learning auf Convolutional-Netzwerk-Features und führen die Klassifikation mittels eines Nearest-Neighbor-Klassifikators durch. Diese Arbeit untersucht die Genauigkeit von Nearest-Neighbor-Baselines ohne Meta-Learning. Überraschenderweise stellen wir fest, dass einfache Merkmalstransformationen ausreichen, um konkurrenzfähige Accuracy-Werte im Few-shot-Lernen zu erzielen. Beispielsweise übertrifft ein Nearest-Neighbor-Klassifikator, kombiniert mit Mittelwert-Subtraktion und L2-Normalisierung, in drei von fünf Szenarien die vorherigen Ergebnisse auf dem miniImageNet-Datensatz.