Les apprentissages à faible exemplaire visent à reconnaître de nouvelles classes d'objets à partir d'un petit nombre d'exemples d'entraînement étiquetés. Afin d'éviter le surajustement, les méthodes d'état de l'art pour l'apprentissage à faible exemplaire utilisent l'apprentissage métadonnées sur des caractéristiques extraites par des réseaux de convolution et effectuent la classification à l'aide d'un classificateur basé sur le plus proche voisin. Ce papier étudie la précision des méthodes de base basées sur le plus proche voisin, sans recours à l'apprentissage métadonnées. De manière surprenante, nous constatons que des transformations simples des caractéristiques suffisent à atteindre des performances compétitives dans l'apprentissage à faible exemplaire. Par exemple, nous montrons qu'un classificateur basé sur le plus proche voisin combiné à une soustraction de la moyenne et à une normalisation L2 surpasse les résultats antérieurs dans trois des cinq configurations sur le jeu de données miniImageNet.