L'apprentissage profond à faibles exemples (few-shot deep learning) est un domaine de défi actuel pour l'extension de la reconnaissance visuelle à une croissance ouverte et indéfinie de nouvelles classes inconnues avec des exemples étiquetés limités. Une approche prometteuse repose sur l'apprentissage par métrique, qui entraîne un plongement profond (deep embedding) pour soutenir le couplage de similarité d'images. Notre intuition est que l'efficacité du couplage général nécessite une comparaison non linéaire des caractéristiques à plusieurs niveaux d'abstraction. Nous proposons donc un nouveau réseau de comparaison profonde composé de modules de plongement et de relation qui apprennent simultanément plusieurs métriques de distance non linéaires basées sur différents niveaux de caractéristiques. De plus, pour réduire le surapprentissage et permettre l'utilisation de plongements plus profonds, nous représentons les images comme des distributions plutôt que comme des vecteurs en apprenant une régularisation par bruit gaussien paramétrique. Le réseau résultant obtient d'excellents résultats tant sur miniImageNet que sur tieredImageNet.