Few-Shot-Objekterkennung (FSOD) strebt danach, die Erkennungsleistung für neue Objekte mit wenigen beschrifteten Stichproben zu verbessern. Um die Beschränkung durch wenige Stichproben zu mildern, spielt die Steigerung der Generalisierungsfähigkeit der gelernten Merkmale für neue Objekte eine entscheidende Rolle. Daher sollte der Merkmalslernprozess von FSOD stärker auf die intrinsischen Objektmerkmale fokussiert sein, die unter verschiedenen visuellen Veränderungen invariant sind und daher förderlich für die Merkmalsgeneralisierung sind. Im Gegensatz zu früheren Ansätzen des Meta-Lernparadigmas untersuchen wir in diesem Artikel, wie man Objektmerkmale mit intrinsischen Merkmalen erweitert, die universell über verschiedene Objektkategorien hinweg gültig sind. Wir schlagen ein neues Prototypenmodell vor, den sogenannten universellen Prototypen, der aus allen Objektkategorien gelernt wird. Neben dem Vorteil der Charakterisierung invarianter Merkmale mindern die universellen Prototypen auch den Einfluss unbalancierter Objektkategorien. Nachdem wir die Objektmerkmale mit den universellen Prototypen erweitert haben, führen wir einen Konsistenzverlust ein, um die Übereinstimmung zwischen den erweiterten und den ursprünglichen Merkmalen zu maximieren. Dies ist vorteilhaft für das Lernen invarianter Objektmerkmale. Somit entwickeln wir ein neues Framework für Few-Shot-Objekterkennung mit universellen Prototypen ({FSOD}^{up}), das sich durch eine verbesserte Merkmalsgeneralisierung für neue Objekte auszeichnet. Experimentelle Ergebnisse auf PASCAL VOC und MS COCO zeigen die Effektivität von {FSOD}^{up}. Insbesondere bei dem 1-Schuss-Fall von VOC Split2 übertreffen {FSOD}^{up} die Baseline um 6,8 % in Bezug auf mAP (mean Average Precision).