Few-shot 学習のためのクラスタ化パッチ要素接続

少数ショット分類タスクにおける性能に長年にわたり悪影響を及ぼしてきた弱い特徴表現問題に対処するため、最近の研究では、埋め込みされたパッチ特徴を用いてサポートサンプルとクエリサンプルの間に接続を構築することで、識別性の高い表現を生成するアプローチが提案されている。しかし、本研究では、ターゲットオブジェクトの位置やサイズが固定されていないため、これらの局所的パッチ間に意味的な不一致（前景／背景の混同）が生じていることを観察した。さらに深刻な点として、このような不一致は信頼性の低い類似度信頼度を引き起こし、複雑な密接続構造がこの問題を悪化させている。このような状況を踏まえ、本研究では、不一致問題を修正するための新しい「クラスタリングパッチ要素接続（Clustered-patch Element Connection; CEC）」層を提案する。CEC層は、パッチクラスタリングと要素接続の2つの操作を活用し、類似度が高く信頼性の高いパッチ特徴同士を収集・接続する。さらに、CEC層に基づくアテンションモジュールと距離メトリックを組み合わせたCECNetを構築した。前者はグローバルなクラスタリングされたパッチ特徴を活用することで、より識別性の高い表現を生成するのを支援し、後者はペア特徴間の類似度を信頼性高く測定することを目的としている。広範な実験により、CECNetが分類ベンチマークにおいて最先端の手法を上回ることを示した。さらに、本手法は少数ショットセグメンテーションおよび検出タスクへも拡張可能であり、競争力ある性能を達成している。