Nous proposons une adaptation non supervisée des embeddings pour la tâche de classification à faible exemplaire en amont. À partir de l'observation selon laquelle les réseaux neuronaux profonds apprennent à généraliser avant de mémoriser, nous développons une nouvelle méthode d'adaptation appelée Reconstruction de caractéristiques en phase précoce (ESFR), basée sur une reconstruction de caractéristiques et un arrêt anticipé piloté par la dimensionnalité, permettant ainsi d'identifier des caractéristiques généralisables. L'intégration de l'ESFR améliore de manière cohérente les performances des méthodes de base sur toutes les configurations standards, y compris la méthode récemment proposée par transduction. Lorsqu'elle est combinée à cette méthode transductive, l'ESFR atteint un niveau d'état de l'art sur les jeux de données mini-ImageNet, tiered-ImageNet et CUB, avec une amélioration de 1,2 % à 2,0 % en précision par rapport à la méthode précédemment la plus performante dans le cadre de la classification à un exemplaire (1-shot).