La détection d'objets en peu d'exemples a été largement étudiée en intégrant l'apprentissage métadonnées dans les cadres de détection basés sur des régions. Malgré ses succès, ce paradigme est limité par plusieurs facteurs, notamment (i) la qualité médiocre des propositions de régions pour les nouvelles classes et (ii) le manque de prise en compte des corrélations inter-classes entre différentes catégories. Ces contraintes entravent la généralisation des connaissances acquises sur les classes de base pour la détection d'objets appartenant à des classes nouvelles. Dans ce travail, nous proposons Meta-DETR, un nouveau cadre de détection en peu d'exemples qui intègre une aggregation corrélative dans un cadre d'apprentissage métadonnées basé sur DETR. Meta-DETR opère entièrement au niveau de l'image, sans recourir à aucune proposition de région, ce qui permet de contourner la limitation liée aux propositions inexactes présentes dans les cadres de détection en peu d'exemples courants. Par ailleurs, Meta-DETR peut simultanément prendre en compte plusieurs classes de support au sein d'une seule passe d'avant. Ce design original permet de capturer efficacement les corrélations inter-classes entre différentes catégories, ce qui réduit significativement les erreurs de classification entre classes similaires et améliore la généralisation des connaissances vers des classes nouvelles. Des expériences menées sur plusieurs benchmarks de détection d'objets en peu d'exemples montrent que Meta-DETR surpasse largement les méthodes de pointe. Le code de mise en œuvre sera publié à l'adresse suivante : https://github.com/ZhangGongjie/Meta-DETR.