要約
少サンプル学習（few-shot learning）の目的は、少量のラベル付きサンプルを用いて未観測のカテゴリを分類することである。近年、低レベル情報に基づくメトリック学習手法が良好な性能を達成している。これは、既知クラスと未知クラスの間で局所的表現（Local Representations, LRs）がより一貫性を持つためである。しかし、これらの手法の多くは、サポートセット内の各カテゴリを独立して処理しており、特に特定のタスクにおいて特徴間の関係性を十分に捉えることができないという課題がある。さらに、低レベル情報に基づくメトリック学習手法は、複雑な背景に異なるスケールの主要対象が存在する場合に性能が低下する傾向にある。これらの問題を解決するために、本研究では少サンプル学習を目的とした新たなマルチスケール適応的タスクアテンションネットワーク（Multi-scale Adaptive Task Attention Network, MATANet）を提案する。具体的には、まずマルチスケール特徴生成器を用いて複数のスケールでの特徴を生成する。次に、タスク全体から最も重要なLRを選択するための適応的タスクアテンションモジュールを導入する。その後、クラス間類似度モジュールと融合層を用いて、クエリ画像とサポートセットとの間における統合的なマルチスケール類似度を計算する。代表的なベンチマークデータセットにおける広範な実験結果から、提案手法MATANetが最先端手法と比較して顕著な有効性を示していることが明確に示された。