소수 샘플 객체 탐지(few-shot object detection)는 쿼리 이미지 내 특정 카테고리의 객체 인스턴스를 단지 몇 개의 지원 샘플(support samples)만을 사용하여 탐지하는 것을 목표로 한다. 비록 전통적인 감독 학습 기반 객체 탐지에 필요한 충분한 레이블이 달린 이미지를 수집하는 것보다 훨씬 적은 노력으로 수행할 수 있지만, 기존의 객체 탐지 방법에 비해 성능이 훨씬 낮은 문제가 있다. 본 논문에서는 각 지원 샘플의 고유한 특성을 고려하는 메타학습 기반 접근법을 제안한다. 기존의 방법이 각 카테고리에 대해 단일 프로토타입을 생성하기 위해 지원 샘플들의 정보를 단순히 평균화하는 반면, 본 연구에서는 각 지원 샘플을 개별 프로토타입으로 간주함으로써 각 샘플의 정보를 보다 효과적으로 활용할 수 있다. 구체적으로, 쿼리 및 지원 특징 맵을 집계하기 위해 두 가지 유형의 어텐션 메커니즘을 도입한다. 첫 번째는 어텐션을 통해 지원 샘플들 간의 공유 정보를 추출함으로써 소수 샘플의 정보를 보다 정교하게 개선하는 방식이다. 두 번째는 각 지원 샘플을 클래스 코드(class code)로 활용하여, 각 지원 특징과 쿼리 특징 간의 유사도를 비교함으로써 정보를 효과적으로 활용하는 방식이다. 제안한 방법은 기존 방법들과 보완적인 관계를 가지며, 향후 성능 향상을 위해 쉽게 통합 및 적용할 수 있다. 제안한 방법은 PASCAL VOC 및 COCO 벤치마크에서 평가되었으며, 실험 결과는 본 방법의 효과성을 입증한다. 특히, 지원 데이터 간의 다양성이 클수록 본 방법의 장점이 더욱 극대화됨을 확인할 수 있다.