人間の視覚システムは、わずかな例から新しい概念を容易に学習するという驚異的な能力を持っています。機械学習の視覚システムで同じような挙動を模倣することは、実世界の視覚応用において多くの実践的な利点を持つ興味深く非常に挑戦的な研究課題です。この文脈において、我々の研究の目的は、テスト時にわずかな訓練データから効率的に新しいカテゴリを学習し（ここでは新規カテゴリと呼びます）、同時に初期に訓練されたカテゴリ（ここでは基本カテゴリと呼びます）を忘れないような少ショット視覚学習システムを開発することです。その目標達成のために、我々は (a) 注意機構に基づいた少ショット分類重みジェネレータをオブジェクト認識システムに拡張することと、(b) ConvNetモデルの分類器を特徴表現と分類重みベクトル間のコサイン類似度関数として再設計することを提案します。後者の方針は、新規および基本カテゴリ双方の認識統一だけでなく、「未見」カテゴリに対するより汎化性のある特徴表現にもつながります。我々はMini-ImageNetで提案手法を広範囲に評価し、少ショット認識における従来の最先端結果（1ショット設定で56.20%、5ショット設定で73.00%）を超えることができました。同時に、基本カテゴリでの精度 sacrific 任何精度（「sacrifice any accuracy」は「どの精度も犠牲にしない」と訳すことができます）も犠牲にしていません。これは多くの先行アプローチが欠いている特性です。最後に、BharathとGirshick [4]によって最近導入された少ショットベンチマークにも我々の手法を適用し、最先端の結果を得ることができました。本論文に関連するコードとモデルは以下のURLで公開されます: https://github.com/gidariss/FewShotWithoutForgetting