Apprentissage visuel à faibles exemples --- la capacité de reconnaître de nouvelles catégories d'objets à partir de très peu d'exemples --- est une caractéristique emblématique de l'intelligence visuelle humaine. Les approches actuelles en apprentissage automatique échouent à généraliser de la même manière. Pour faire des progrès sur ce problème fondamental, nous présentons un benchmark d'apprentissage à faibles exemples sur des images complexes qui imite les défis auxquels sont confrontés les systèmes de reconnaissance dans le monde réel. Nous proposons ensuite a) des techniques de régularisation de représentation, et b) des techniques pour générer artificiellement des exemples supplémentaires pour les classes sous-représentées en données. Ensemble, nos méthodes améliorent l'efficacité des réseaux convolutifs dans l'apprentissage à faibles exemples, augmentant la précision en une seule prise (one-shot) sur les nouvelles classes par 2,3 fois sur le jeu de données difficile ImageNet.