Bien que les progrès récents aient considérablement amélioré les performances de la classification en peu d'exemples (FSC), la détection d'objets en peu d'exemples (FSOD) reste un défi majeur pour les systèmes d'apprentissage modernes. Les approches actuelles de FSOD s'inspirent des méthodes FSC, tout en ignorant des problèmes critiques tels que la variabilité spatiale et les représentations incertaines, ce qui conduit à des performances médiocres. À la lumière de cette limitation, nous proposons un mécanisme novateur appelé \textbf{Attention à double conscience (DAnA)} permettant aux réseaux d'adapter leur interprétation des images de support fournies. Le DAnA transforme les images de support en caractéristiques \textbf{conscientes de la position de la requête} (QPA), guidant ainsi précisément le réseau de détection en attribuant des informations de support personnalisées à chaque région locale de la requête. En outre, le composant DAnA proposé est flexible et adaptable à plusieurs architectures existantes de détection d'objets. En intégrant DAnA, des réseaux classiques de détection d'objets, tels que Faster R-CNN et RetinaNet — conçus initialement sans visée explicite d'apprentissage en peu d'exemples — atteignent des performances de pointe dans les tâches de FSOD. Par rapport aux méthodes précédentes, notre modèle améliore significativement les performances, avec une augmentation de 47% (+6,9 AP), démontrant une capacité remarquable dans diverses conditions d'évaluation.