目視による細粒度クラスの区別において、目や嘴といった特徴的な部位を認識することは、全体的な外見が類似しているため極めて重要である。本研究では、細粒度少サンプル分類（fine-grained few-shot classification）のためのシンプルなモジュールとして、タスク差分最大化（Task Discrepancy Maximization: TDM）を提案する。TDMの目的は、クラスごとの特徴的領域を局所化することであり、それには各クラスに特有の情報を符号化するチャネルを強調することで実現する。具体的には、TDMは、新たな2つの構成要素であるサポートアテンションモジュール（Support Attention Module: SAM）とクエリアテンションモジュール（Query Attention Module: QAM）に基づいて、タスク固有のチャネル重みを学習する。SAMは、各クラスについてチャネルごとの判別力を表すサポート重みを生成する。しかし、SAMは基本的にラベル付きのサポートセットに依存しているため、そのセットに対するバイアスに脆弱である可能性がある。そこで本研究では、クエリ画像に対して物体関連チャネルに高い重みを付与するクエリ重みを導出することでSAMを補完するQAMを提案する。これらの2つの重みを統合することで、クラスごとのタスク特有のチャネル重みが定義される。その後、これらの重みを用いて、判別的特徴に焦点を当てたタスク適応型の特徴マップを生成する。実験により、TDMの有効性および従来の手法との相補的な利点が確認された。