Dans cet article, nous proposons de relever le défi du problème d'apprentissage à partir de quelques exemples (few-shot learning, FSL) en apprenant des représentations de classe globales à l'aide d'échantillons d'entraînement provenant à la fois des classes de base et des classes nouvelles. À chaque épisode d'entraînement, une moyenne de classe épidodique calculée à partir d'un ensemble de support est enregistrée avec la représentation globale grâce à un module d'enregistrement. Cela produit une représentation de classe globale enregistrée pour calculer la perte de classification en utilisant un ensemble de requêtes. Bien que suivant un pipeline d'entraînement épidodique similaire aux approches existantes basées sur l'apprentissage méta, notre méthode diffère considérablement par l'implication dès le début des échantillons d'entraînement des classes nouvelles. Pour compenser le manque d'échantillons d'entraînement des classes nouvelles, une stratégie efficace de synthèse d'échantillons a été développée afin d'éviter le surapprentissage. De manière importante, grâce à l'entraînement conjoint des classes de base et nouvelles, notre approche peut être facilement étendue à un cadre FSL plus pratique mais également plus difficile, c'est-à-dire le FSL généralisé, où l'espace des étiquettes des données de test est étendu aux classes de base et nouvelles. Des expériences exhaustives montrent que notre approche est efficace pour les deux cadres FSL.