少ショットオブジェクト検出（FSOD）は、ラベル付きサンプルが少ない新規オブジェクトの検出性能を向上させることが目的です。少量のサンプルという制約を緩和するためには、学習された特徴量が新規オブジェクトに対して汎化能力を持つことが重要となります。したがって、FSODの特徴量学習プロセスでは、異なる視覚的な変化に影響を受けずに共通する本質的なオブジェクト特性に焦点を当てるべきです。これらの特性は、特徴量の汎化に役立つからです。従来のメタ学習パラダイムとは異なり、本論文では、異なるオブジェクトカテゴリ間で普遍的な本質的な特性を用いてオブジェクト特徴量を強化する方法を探ります。私たちは全オブジェクトカテゴリから学習される新しいプロトタイプ、すなわちユニバーサルプロトタイプを提案します。このユニバーサルプロトタイプは、不変特性を表現する利点だけでなく、非平衡なオブジェクトカテゴリの影響も軽減します。ユニバーサルプロトタイプを使用してオブジェクト特徴量を強化した後、一貫性損失を課し、強化された特徴量と元の特徴量との合意度を最大化します。これは不変のオブジェクト特性を学習するのに有益です。これにより、新規オブジェクトに対する特徴量の汎化能力を持つ新しいFSODフレームワーク（{FSOD}^{up}）を開発しました。PASCAL VOCおよびMS COCOでの実験結果は{FSOD}^{up}の有効性を示しています。特にVOC Split2における1ショットケースにおいて、{FSOD}^{up}はベースラインよりもmAPで6.8%優れています。