近年、物体検出分野では著しい進展が見られてきたが、現在の優れた検出器はサイズが限られた物体の検出において依然として課題を抱えている。具体的には、事前枠（priors）と物体領域との間の低重複率が最適化に向けた有効なサンプルプールを制限しており、識別に必要な情報が不足している状況がさらに認識精度の低下を引き起こしている。上記の課題を緩和するため、本研究では「粗→細」パイプラインと特徴模倣学習（Feature Imitation learning）に基づいた二段階型フレームワークであるCFINetを提案する。まず、動的アンカー選択戦略と段階的回帰（cascade regression）を用いて、小物体に対して十分かつ高品質な候補領域（proposals）を確保するための「粗→細RPN（CRPN）」を導入する。次に、従来の検出ヘッドに特徴模倣（FI）ブランチを追加し、サイズ制限されたインスタンスの領域表現を、モデルが困難に感じている状況を模倣する形で強化する。さらに、教師付きコントラスティブ学習（supervised contrastive learning）の枠組みに基づいた補助的な模倣損失を設計し、このブランチの最適化を図る。Faster R-CNNと統合した場合、CFINetは大規模な小物体検出ベンチマークであるSODA-DおよびSODA-Aにおいて最先端の性能を達成し、ベースライン検出器および他の主流手法と比較して優れた性能を示している。