TAFE-Net: タスク認識特徴量埋め込みによる低ショット学習

画像の良質な特徴埋め込みを学習するには、多くの訓練データが必要である。したがって、訓練データが限られている状況（例えば、ショット数が少ない学習やゼロショット学習）では、一般的な特徴埋め込みを様々なタスクにわたって使用せざるを得ないことが多い。理想的には、与えられたタスクに合わせて特徴埋め込みを調整したい。本研究では、メタ学習的手法で画像表現を新しいタスクに適応させる方法を学ぶための「タスクアウェア特徴埋め込みネットワーク」（Task-Aware Feature Embedding Networks, TAFE-Nets）を提案する。当該ネットワークは、メタラーナーと予測ネットワークから構成される。タスク入力に基づいて、メタラーナーは予測ネットワーク内の特徴層のパラメータを生成し、そのタスクに対して特徴埋め込みが正確に調整されるようにする。我々はTAFE-Netが新しいタスクや概念への汎化能力が高いことを示し、ゼロショット学習とショット数が少ない学習のさまざまなベンチマークで評価を行った。我々のモデルはすべてのタスクにおいて最先端の成果に匹敵またはそれを上回っている。特に、困難な視覚的な属性-オブジェクト合成タスクにおいて、未見の属性-オブジェクトペアの予測精度を4〜15ポイント向上させている。