再考：ローカル記述子に基づく画像対クラス測定の少ショット学習への応用

画像分類における少ショット学習（few-shot learning）は、各クラスに対してわずかな訓練例しか利用できない場合に、分類器を学習させる技術を目指しています。最近の研究では、画像レベルの特徴量に基づく測定方法が一般的に使用され、有望な分類性能が達成されています。しかし、本論文では、少ショット学習において例が少ないことを考慮すると、そのようなレベルでの測定方法が十分に効果的ではない可能性があると主張します。代わりに、局所不変特徴量（local invariant features）の全盛期における驚くべき成功から着想を得て、局所記述子に基づく画像対クラスの測定方法を採用すべきだと考えています。具体的には、最近のエピソード訓練メカニズム（episodic training mechanism）を基盤として、Deep Nearest Neighbor Neural Network (DN4) を提案し、これをエンドツーエンドで訓練します。このネットワークの既存文献との主要な違いは、最終層で画像レベルの特徴量に基づく測定方法を局所記述子に基づく画像対クラスの測定方法に置き換えることです。この測定は、畳み込み特徴マップの深層局所記述子に対するオンラインでの $k$-近傍探索（$k$-nearest neighbor search）によって行われます。提案された DN4 は、画像対クラスの測定に最適な深層局所記述子を学習するだけでなく、同じクラス内の画像間で視覚パターンが交換可能であるため、例が少ない場合でもその測定方法の高い効率性を利用できます。当社の研究は単純かつ効果的で計算効率も高い少ショット学習フレームワークを提供します。ベンチマークデータセットでの実験結果は一貫して関連する最先端手法よりも優れていることを示しており、次善の手法に対して最大で 17% の絶対的な改善を達成しています。ソースコードは \UrlFont{https://github.com/WenbinLee/DN4.git} から入手可能です。