Les tâches de vision par ordinateur, telles que la classification d'images, la recherche d'images et l'apprentissage à partir de peu d'exemples (few-shot learning), sont actuellement dominées par les plongements euclidiens et sphériques, de sorte que les décisions finales concernant l'appartenance à une classe ou le degré de similarité sont prises en utilisant des hyperplans linéaires, des distances euclidiennes ou des distances géodésiques sphériques (similarité cosinus). Dans cette étude, nous démontrons que dans de nombreux scénarios pratiques, les plongements hyperboliques offrent une meilleure alternative.