لقد حقق الكشف عن الكائنات ذات القليل من الأمثلة تقدماً كبيراً من خلال تمثيل كائنات الفئة الجديدة باستخدام تمثيل الميزة المستمد من مجموعة كائنات الفئة الأساسية. ومع ذلك، يُهمل بشكل مؤسف التناقض الضمني بين تصنيف الفئة الجديدة وتمثيلها. من ناحية، لتحقيق تصنيف دقيق للفئة الجديدة، يجب أن تكون توزيعات أي فئتين أساسيتين بعيدة عن بعضها البعض (بحد أقصى للحد الفاصل). ومن ناحية أخرى، لتمثيل دقيق للفئات الجديدة، يجب أن تكون توزيعات الفئات الأساسية قريبة من بعضها البعض لتقليل المسافة داخل الفئة للفئات الجديدة (بحد أدنى للحد الفاصل). في هذه الورقة، نقترح منهجية توازن الحدود الفئوية (CME)، بهدف تحسين تقسيم الفضاء الميزة وإعادة بناء الفئات الجديدة بطريقة منهجية. تحوّل CME أولاً مشكلة الكشف ذات القليل من الأمثلة إلى مشكلة التصنيف ذات القليل من الأمثلة باستخدام طبقة متصلة بالكامل لفصل ميزات التحديد. ثم تحافظ CME على مساحة كافية للحدود الفئوية للفئات الجديدة من خلال إدخال خسارة حدود فئوية بسيطة ولكن فعالة أثناء تعلم الميزات. وأخيراً، تسعى CME لتحقيق توازن الحدود من خلال إحداث اضطراب في ميزات أمثلة الفئة الجديدة بطريقة تعاكسية (أدنى-أقصى). أظهرت التجارب على مجموعتي بيانات Pascal VOC وMS-COCO أن CME تحسن بشكل ملحوظ على مُكتشفين أساسيين (بمقدار 3 إلى 5% في المتوسط)، مما يحقق أداءً من الطراز الرائد. يمكن الوصول إلى الشفرة من خلال: https://github.com/Bohao-Lee/CME.