Les classifieurs de réseaux neuronaux formés sur des données avec des étiquettes de classe annotées peuvent également capturer la similarité visuelle apparente entre les catégories sans y être explicitement dirigés. Nous examinons si cette observation peut être étendue au-delà du domaine conventionnel de l'apprentissage supervisé : Peut-on apprendre une bonne représentation de caractéristiques qui capture la similarité apparente entre les instances, plutôt que entre les classes, en demandant simplement à la caractéristique d'être discriminante pour chaque instance ? Nous formulons cette intuition comme un problème de classification non paramétrique au niveau des instances et utilisons l'estimation par contraste bruité pour relever les défis computationnels posés par le grand nombre de classes d'instances. Nos résultats expérimentaux montrent que, dans un cadre d'apprentissage non supervisé, notre méthode dépasse largement l'état de l'art en classification ImageNet. Notre méthode se distingue également par son amélioration constante des performances de test avec plus de données d'entraînement et des architectures de réseau plus performantes. En affinant la caractéristique apprise, nous obtenons également des résultats compétitifs pour les tâches d'apprentissage semi-supervisé et de détection d'objets. Notre modèle non paramétrique est très compact : Avec 128 caractéristiques par image, notre méthode nécessite seulement 600 Mo de stockage pour un million d'images, permettant une recherche rapide des voisins les plus proches lors de l'exécution.