La transformation de caractéristiques par Transport Optimal Auto (Self-Optimal-Transport, SOT) est conçue pour améliorer l'ensemble des caractéristiques d'une instance de données afin de faciliter les tâches de correspondance ou de regroupement en aval. L'ensemble transformé encode une représentation riche des relations d'ordre supérieur entre les caractéristiques de l'instance. Les distances entre les caractéristiques transformées captent à la fois leur similarité originale directe et leur accord indirect concernant la similarité avec d'autres caractéristiques dans l'ensemble. Un problème particulier de correspondance fractionnaire à coût minimal et flux maximal, dont la version régularisée par l'entropie peut être approchée par une optimisation de transport optimal (OT), aboutit à notre transformation transductive qui est efficace, différentiable, équivariante, sans paramètre et interprétable probabiliste. Expérimentalement, cette transformation s'avère très efficace et flexible dans son utilisation, améliorant constamment les réseaux dans lesquels elle est intégrée, pour diverses tâches et schémas d'entraînement. Nous démontrons ses mérites à travers le problème du clustering non supervisé et sa grande efficacité ainsi que sa vaste applicabilité pour la classification à faible nombre d'exemples (few-shot-classification), avec des résultats à l'état de l'art, ainsi que pour la réidentification à grande échelle des individus.