要約
深層畳み込みニューラルネットワーク（CNN）の成功は、有効な畳み込み演算の学習に根ざしており、フィルタリング、活性化、プーリングを通じて階層的な構造化特徴を捉えることに依拠している。しかし、既存のCNNフレームワークでは、物体の部位（object parts）など明示的な構造化特徴を十分に表現することができない。本論文では、少サンプル学習（few-shot learning）問題に取り組み、星座モデル（constellation model）をCNNに拡張することで構造化特徴を強化することを試みる。この星座モデルは、密な部位表現を用いてセル特徴のクラスタリングと符号化を実行し、さらにセル特徴間の関係性をアテンション機構によりモデル化する。物体部位の認識を高めるための追加的な星座ブランチを導入することで、本手法はCNNの利点を活かしつつ、少サンプル学習設定下での全体的な内部表現の堅牢性を向上させることができる。CIFAR-FS、FC100、mini-ImageNetのベンチマークにおける少サンプル学習において、本手法は既存手法と比較して顕著な性能向上を達成した。