ドメイン間少サンプル分類における学習された特徴ワイズ変換

少数ショット分類は、各クラスに少数のラベル付き画像しか与えられない状況下で、新たなカテゴリを認識することを目的としている。従来のメトリックベースの少数ショット分類手法は、学習済みのメトリック関数を用いて、クエリ画像の特徴埋め込みと少数のラベル付き画像（サポート例）の特徴埋め込みを比較することでカテゴリを予測する。これらの手法は有望な性能を示しているが、ドメイン間で特徴分布に大きな乖離が生じるため、未観測のドメインへの一般化能力に欠けることが一般的である。本研究では、メトリックベース手法におけるドメインシフト下の少数ショット分類問題に着目し、解決を図る。我々の中心的なアイデアは、訓練段階においてアフィン変換を用いた特徴ワイズ変換層を導入し、異なるドメインにおける多様な特徴分布を模擬するデータ拡張を行うことである。さらに、異なるドメインにおける特徴分布の変動を捉えるために、学習の学習（learning-to-learn）アプローチを用いて、特徴ワイズ変換層のハイパーパラメータを探索する。本研究では、mini-ImageNet、CUB、Cars、Places、Plantae の5つの少数ショット分類データセットを用いて、ドメイン一般化設定下で広範な実験およびアブレーションスタディを実施した。実験結果から、提案する特徴ワイズ変換層が多様なメトリックベースモデルに適用可能であり、ドメインシフト下において一貫した少数ショット分類性能の向上を実現することが明らかになった。