يتمحور هذا البحث حول الكشف عن الكائنات في حالات قليلة التدريب (FSOD) والتقسيم الحديدي للإطارات (FSIS)، حيث يتطلب النموذج التكيف السريع مع فئات جديدة باستخدام عدد قليل من الأمثلة المُعلمة. تعاني الطرق الحالية من تشويه في التصنيف بشكل شديد بسبب مشكلة نقص التسميات، وهي مشكلة طبيعية تحدث في السياقات القليلة التدريب، وقد قمنا نحن أولًا بطرحها رسميًا. تشير تحليلاتنا إلى أن رأس التصنيف القياسي في معظم نماذج FSOD أو FSIS يحتاج إلى فصل (تَفكيك) لتقليص تشويه التصنيف. ولذلك، نقترح طريقة بسيطة جدًا ولكنها فعّالة، تقوم بفصل الرأس القياسي للتصنيف إلى رأسين منفصلين. وبهذا، يمكن لكل رأس من الرأسين معالجة العينات الإيجابية الواضحة والعينات السلبية الضوضائية بشكل مستقل، والتي تنشأ بسبب نقص التسميات. وبهذه الطريقة، يمكن للنموذج تعلّم الفئات الجديدة بشكل فعّال مع تقليل تأثير العينات السلبية الضوضائية. وبلا إضافات معقدة، يتفوق نموذجنا دون أي تكلفة حسابية إضافية أو عدد إضافي من المعلمات بشكل متسق وبفارق كبير على النموذج الأساسي والتقنيات المتقدمة الحالية على معايير PASCAL VOC وMS-COCO في مهام FSOD وFSIS. يتوفر الكود على الرابط التالي: https://github.com/gaobb/DCFS.