L'écart de catégories entre l'entraînement et l'évaluation a été identifié comme l'une des principales difficultés au succès de l'apprentissage par quelques exemples (Few-Shot Learning, FSL). Dans cet article, nous identifions pour la première fois de manière empirique le fond d'image, couramment présent dans les images réalistes, comme une connaissance simplifiée utile pour la classification intra-catégorie, mais non généralisable au-delà des catégories d'entraînement en FSL. Nous proposons un cadre novateur, COSOC, conçu pour résoudre ce problème en extrayant les objets en premier plan des images, tant lors de l'entraînement que lors de l'évaluation, sans aucune supervision supplémentaire. Des expériences étendues menées sur des tâches d'apprentissage inductif en FSL démontrent l'efficacité de notre approche.