La détection d’objets en peu d’exemples a connu des progrès significatifs en représentant les objets de classes nouvelles à l’aide des représentations d’attributs apprises à partir d’un ensemble d’objets de classes de base. Toutefois, une contradiction implicite entre la classification des classes nouvelles et leur représentation est malheureusement ignorée. D’un côté, afin d’assurer une classification précise des classes nouvelles, les distributions de deux classes de base doivent être aussi éloignées que possible l’une de l’autre (principe du max-margin). De l’autre côté, pour représenter fidèlement les classes nouvelles, les distributions des classes de base doivent être proches entre elles afin de réduire la distance intra-classe des classes nouvelles (principe du min-margin). Dans cet article, nous proposons une méthode appelée équilibre des marges de classes (Class Margin Equilibrium, CME), visant à optimiser de manière systématique à la fois la partition de l’espace des caractéristiques et la reconstruction des classes nouvelles. La CME transforme d’abord le problème de détection en peu d’exemples en un problème de classification en peu d’exemples en utilisant une couche entièrement connectée pour découpler les caractéristiques de localisation. Ensuite, elle préserve un espace de marge adéquat pour les classes nouvelles en introduisant une perte de marge de classes simple mais efficace durant l’apprentissage des caractéristiques. Enfin, la CME cherche à atteindre un équilibre de marge en perturbant de manière adversaire et en mode min-max les caractéristiques des instances des classes nouvelles. Les expérimentations menées sur les jeux de données Pascal VOC et MS-COCO montrent que la CME améliore significativement deux détecteurs de référence (jusqu’à 3 à 5 % en moyenne), atteignant ainsi des performances de pointe. Le code est disponible à l’adresse suivante : https://github.com/Bohao-Lee/CME.