Diese Arbeit konzentriert sich auf Few-Shot Object Detection (FSOD) und Instance Segmentation (FSIS), bei denen ein Modell schnell auf neue Klassen mit nur wenigen gelabelten Instanzen adaptieren muss. Die bestehenden Ansätze leiden erheblich unter Verzerrung bei der Klassifikation, die auf dem sogenannten Label-Verlustproblem zurückzuführen ist – ein Phänomen, das in der Few-Shot-Situation naturgemäß auftritt und erstmals von uns formell beschrieben wurde. Unsere Analyse zeigt, dass der herkömmliche Klassifikationskopf vieler FSOD- oder FSIS-Modelle entkoppelt werden muss, um die Verzerrung bei der Klassifikation zu verringern. Daher schlagen wir eine äußerst einfache, aber wirksame Methode vor, die den Standard-Klassifikator in zwei separate Kopf-Module aufteilt. Diese beiden einzelnen Köpfe können dann jeweils unabhängig klare positive Beispiele und verrauschte negative Beispiele behandeln, die durch den fehlenden Label-Verlust verursacht werden. Auf diese Weise kann das Modell neue Klassen effektiv lernen, während die negativen Auswirkungen verrauschter negative Beispiele reduziert werden. Ohne zusätzliche Komplexität, ohne erhöhten Rechenaufwand oder zusätzliche Parameter, übertrifft unser Modell sowohl die Baseline als auch den aktuellen Stand der Technik auf den Benchmark-Datensätzen PASCAL VOC und MS-COCO für FSOD- und FSIS-Aufgaben deutlich. Der Quellcode ist unter https://github.com/gaobb/DCFS verfügbar.