包括的なラベル付きデータセットから抽出された深層畳み込み特徴量には、新しいドメインで効果的に利用できる実質的な表現が含まれています。汎用的な特徴量が多くの視覚タスクで良好な結果を達成しているにもかかわらず、事前学習済みの深層CNNモデルをより効果的にし、最先端の性能を提供するためには微調整が必要です。教師あり設定でのバックプロパゲーションアルゴリズムを使用した微調整は、時間とリソースを消費するプロセスです。本論文では、事前学習済みのCNNベースの教師あり深層学習アプローチに関連する微調整の問題を解決し、自動的な特徴量抽出を可能にする新たなアーキテクチャと手法を提案します。既存の研究とは異なり、当手法は一般的な物体認識タスクに適用可能です。関連ドメインで事前学習されたCNNモデルを使用して自動的に特徴量を抽出し、分類のためにパターンを保存するホップフィールドネットワークに基づく連想記憶バンクとパイプライン化することで実現しています。当フレームワークにおける連想記憶バンクの使用により、バックプロパゲーションを排除しつつ未見のデータセット上で競合可能な性能を提供することが可能となります。（注：「Deep Convolutional features」は「深層畳み込み特徴量」、「Hopfield network based associative memory bank」は「ホップフィールドネットワークに基づく連想記憶バンク」と訳しました。）