لقد أثارت الاهتمامات الناشئة التعرف على الأشياء غير المرئية سابقًا باستخدام عدد قليل جدًا من أمثلة التدريب، المعروفة باسم التعرف على الأشياء بقليل من الأمثلة (FSOD). تظهر الأبحاث الحديثة أن المضمن الجيد للخصائص هو المفتاح لتحقيق أداء مرضٍ في التعلم بقليل من الأمثلة. نلاحظ أن اقتراحات الأشياء ذات النقاط المختلفة لتقاطع الاتحاد (Intersection-of-Union - IoU) تشبه التعزيز داخل الصورة المستخدم في الأساليب المقارنة. ونستغل هذا التشبيه وندمج التعلم المقارن تحت الإشراف لتحقيق تمثيلات أكثر صلابة للأجسام في FSOD. نقدم طريقة بسيطة ولكنها فعالة للتعرف على الأجسام بقليل من الأمثلة عبر ترميز الاقتراحات المقارنة (Few-Shot object detection via Contrastive proposals Encoding - FSCE)، وهي طريقة تسهل تصنيف الأجسام المكتشفة. نلاحظ أن انخفاض الدقة المتوسطة (Average Precision - AP) للأجسام النادرة يعود بشكل أساسي إلى سوء تصنيف الحالات الجديدة كفئات قابلة للخلط. ونساعد في حل مشكلات السوء تصنيف من خلال تعزيز الكثافة داخل الفئة والاختلاف بين الفئات على مستوى الحالة عبر خسارة ترميز الاقتراحات المقارنة (Contrastive Proposal Encoding loss - CPE loss) الخاصة بنا. تصميمنا يتفوق على الأعمال الرائدة حاليًا في أي عدد من الأمثلة وفي جميع تقسيمات البيانات، بمعدل يصل إلى +8.8٪ على معيار الاختبار القياسي PASCAL VOC و+2.7٪ على معيار الاختبار الصعب COCO. يمكن الوصول إلى الكود من الرابط التالي: https://github.com/MegviiDetection/FSCE