소수 예제(small number of examples)로부터 새로운 개념을 학습하는 '소수 학습(few-shot learning)'은 실용적인 시각 인식 시스템의 핵심 요소이다. 기존 연구 대부분은 소수 분류(few-shot classification)에 초점을 맞추고 있으나, 더 도전적인 그러나 여전히 탐색이 부족한 소수 객체 탐지(few-shot object detection)에 대한 도전을 시도한다. 우리는 개념적으로 단순하면서도 강력한 메타학습 기반의 프레임워크를 개발하여, 통합적이고 일관된 방식으로 소수 분류와 소수 위치 추정(few-shot localization)을 동시에 해결한다. 이 프레임워크는 풍부한 데이터를 가진 기반 클래스(base classes)로부터 얻은 "모델 파라미터 생성"에 관한 메타 수준의 지식을 활용하여, 새로운 클래스를 위한 탐지기(detector) 생성을 촉진한다. 우리의 핵심 통찰은 CNN 기반 탐지 모델에서 카테고리에 무관한 요소와 카테고리에 특화된 요소를 분리하여 학습하는 것이다. 특히, 소수 예제로부터 카테고리에 특화된 구성 요소의 파라미터를 예측할 수 있는 가중치 예측 메타모델(weight prediction meta-model)을 도입한다. 우리는 현대적인 탐지기들의 소표본 크기 영역에서의 성능을 체계적으로 평가한다. 다양한 실제 시나리오, 즉 동일 도메인 내, 도메인 간, 그리고 긴 꼬리(long-tailed) 설정에서의 실험을 통해, 새로운 클래스에 대한 다양한 정의 하에서 본 방법의 효과성과 일반성(유연성)을 입증한다.