Few-shotオブジェクト検出は、ベースクラスオブジェクトから学習された特徴表現を用いて、新規クラスオブジェクトを表現することで、著しい進展を遂げてきた。しかし、新規クラスの分類と表現の間に隠れた矛盾が、残念ながら無視されている。一方で、正確な新規クラス分類を実現するためには、二つのベースクラスの特徴分布が互いに離れている（マックスマージン）必要がある。他方で、新規クラスを正確に再構成するためには、ベースクラスの分布が近接していることが望ましく、これにより新規クラス内のクラス内距離を小さく抑えることができる（ミンマージン）。本論文では、特徴空間の分割と新規クラス再構成の両方を体系的に最適化することを目的として、クラスマージンバランス（Class Margin Equilibrium: CME）というアプローチを提案する。CMEはまず、全結合層を用いて局所化特徴を分離することで、Few-shot検出問題をFew-shot分類問題に変換する。次に、特徴学習の過程でシンプルかつ効果的なクラスマージン損失を導入することで、新規クラスに十分なマージン空間を確保する。最後に、敵対的最小最大（adversarial min-max）のアプローチにより、新規クラスインスタンスの特徴を摂動させることで、マージンバランスを実現する。Pascal VOCおよびMS-COCOデータセットにおける実験結果から、CMEは二つのベースライン検出器に対して顕著な性能向上（平均的に3～5％の向上）を達成し、最先端の性能を実現した。コードは https://github.com/Bohao-Lee/CME にて公開されている。