L'apprentissage à peu de exemples constitue une tâche fondamentale en vision par ordinateur, promettant de réduire la dépendance aux jeux de données étiquetés de manière exhaustive. La plupart des approches actuelles reposent sur des extracteurs de caractéristiques neurales de complexité croissante, des stratégies d'adaptation des classificateurs, ainsi que sur une refinement de la définition même de la tâche. Dans ce travail, nous explorons l'hypothèse selon laquelle une métrique de distance simple basée sur la covariance des classes, à savoir la distance de Mahalanobis, intégrée à une approche d'état de l'art en apprentissage à peu de exemples (CNAPS), peut, en elle-même, entraîner une amélioration significative des performances. Nous constatons également qu'il est possible d'apprendre des extracteurs de caractéristiques adaptatifs capables d'estimer efficacement les covariances de caractéristiques à haute dimension requises par cette métrique à partir d'un nombre étonnamment faible d'exemples. Le résultat de notre recherche est une nouvelle architecture baptisée « Simple CNAPS », qui comporte jusqu'à 9,2 % de paramètres entraînables en moins que CNAPS et atteint des performances jusqu'à 6,1 % supérieures à l'état de l'art sur le jeu de données standard pour la classification d'images à peu de exemples.