최근 몇 년간 객체 탐지 분야에서 큰 진전이 있었음에도 불구하고, 소량의 데이터 환경에서 효과적인 탐지기 학습을 수행하는 것은 여전히 해결되지 않은 과제이다. 객체 탐지용 학습 데이터의 레이블링은 매우 비용이 많이 들며, 소량의 레이블 데이터로부터 잘 일반화할 수 있는 기술 개발이 절실히 요구된다. 본 연구에서는 탐지기가 제한된 양의 레이블 데이터에만 접근할 수 있는 '소량 샘플 객체 탐지(few-shot object detection)' 문제를 탐구한다. 최근 발전하는 메타학습 원리를 기반으로, 메타학습을 통해 소량 샘플 탐지 능력을 습득할 수 있도록 설계된 새로운 메타학습 프레임워크인 'Meta-RCNN'을 제안한다. 구체적으로, Meta-RCNN는 메타 학습 데이터 상에서 에피소드 기반 학습(episodic learning) 파라다임을 통해 객체 탐지기를 학습한다. 이러한 학습 방식은 새로운 작업에 대해 소량 샘플 탐지가 가능하도록 해주는 사전 지식(prior)을 획득하는 데 기여한다. Faster RCNN 모델을 기반으로 구축된 Meta-RCNN에서는 영역 제안 네트워크(RPN)와 객체 분류 브랜치 모두를 메타학습한다. 메타학습된 RPN은 클래스별로 특화된 제안을 생성하도록 학습하고, 객체 분류기는 소량 샘플 분류를 수행하도록 학습된다. Meta-RCNN의 새로운 손실 함수 및 학습 전략은 엔드투엔드(end-to-end) 방식으로 학습이 가능하다. 제안된 방법은 Pascal VOC 데이터셋에서 소량 샘플 탐지 문제 해결에 있어 뛰어난 성능을 보이며, 유망한 결과를 달성함을 실험을 통해 입증하였다.