La détection d'objets à partir de quelques exemples, qui vise à détecter rapidement des objets inédits à partir d'un nombre très limité d'exemples annotés de classes jamais rencontrées auparavant, a suscité un intérêt de recherche considérable au sein de la communauté scientifique. La plupart des approches existantes utilisent le Faster R-CNN comme cadre de détection de base, mais en raison du manque de considérations spécifiques pour les scénarios où les données sont rares, leurs performances sont souvent insatisfaisantes. Dans cet article, nous examinons attentivement le Faster R-CNN conventionnel et analysons ses contradictions sous deux angles orthogonaux : multi-étapes (RPN vs. RCNN) et multi-tâches (classification vs. localisation). Pour résoudre ces problèmes, nous proposons une architecture simple mais efficace, appelée Faster R-CNN Décorrélé (DeFRCN). Plus précisément, nous étendons le Faster R-CNN en introduisant une couche de décorrélage des gradients pour la décorrélance multi-étapes et un bloc de calibrage prototypique pour la décorrélance multi-tâches. La première est une nouvelle couche profonde qui redéfinit l'opération de propagation avant des caractéristiques et l'opération de rétropropagation des gradients afin de décorrélérer sa couche suivante et sa couche précédente. La seconde est un modèle de classification basé sur des prototypes hors ligne qui prend en entrée les propositions du détecteur et améliore les scores de classification originaux avec des scores pair-à-pair supplémentaires pour la calibration. De nombreux expériences sur plusieurs benchmarks montrent que notre cadre est remarquablement supérieur aux autres approches existantes et établit un nouveau niveau d'état de l'art dans la littérature sur la détection d'objets à partir de quelques exemples.