少ショット物体検出は、以前に見たことのないクラスの極めて少ないアノテーション例から新しい物体を迅速に検出することを目指しており、この分野で大きな研究関心を集めています。既存の多くの手法では、基本的な検出フレームワークとしてFaster R-CNNが使用されていますが、データが乏しい状況に対する特別な配慮が不足しているため、その性能はしばしば満足できるものではありません。本論文では、従来のFaster R-CNNに焦点を当て、マルチステージ（RPNとRCNN）およびマルチタスク（分類と位置特定）という2つの異なる視点からその矛盾を分析します。これらの問題を解決するために、私たちは単純ながら効果的なアーキテクチャであるDecoupled Faster R-CNN (DeFRCN)を提案します。具体的には、Faster R-CNNを拡張し、多段階デカップリング用の勾配デカップル層（Gradient Decoupled Layer）と多タスクデカップリング用のプロトタイプキャリブレーションブロック（Prototypical Calibration Block）を導入しました。前者は、後続層と先行層のデカップリングのために特徴量前向き伝播操作と勾配逆向き伝播操作を再定義した新しい深層です。後者は、検出器からの提案を受け取り、原型ベースの分類モデルを使用して元の分類スコアに追加的なペアワイズスコアを付加することでキャリブレーションを行うオフラインモデルです。複数のベンチマークでの広範な実験により、私たちのフレームワークは他の既存手法よりも著しく優れており、少ショット学習に関する最新の最先端技術となっています。