少数例から希少な物体を検出することは、新興の問題となっています。先行研究では、メタ学習が有望なアプローチであることが示されています。しかし、ファインチューニング技術には十分な注目が払われていません。私たちは、既存の検出器の最後の層のみを希少クラスに対してファインチューニングすることが、少量学習物体検出タスクにおいて重要であることを発見しました。この単純なアプローチは、現行のベンチマークでメタ学習方法よりも約2～20ポイント優れており、時には先行手法の精度を倍にすることもあります。ただし、少量サンプルにおける高い分散はしばしば既存のベンチマークの信頼性を損なう原因となります。私たちは評価プロトコルを見直し、複数グループの訓練サンプルを抽出することで安定した比較を得ました。そして、PASCAL VOC、COCOおよびLVISという3つのデータセットに基づいて新しいベンチマークを作成しました。再び、私たちのファインチューニングアプローチは改訂されたベンチマークにおいて新たな最先端を確立しています。コードと事前学習済みモデルは https://github.com/ucbdrive/few-shot-object-detection で公開されています。