ラベル付きデータポイントが少ない離散クラスに対して訓練された分類器は、ワンショット学習において、他のクラスから視覚的概念を識別するために用いられる。近年、シアンセスネットワークおよび類似性層がワンショット学習問題の解決に用いられ、視覚的文字認識データセットにおいて最先端の性能を達成している。長年にわたり、細分化された画像分類データセットにおけるこれらのネットワークの性能向上を図るためのさまざまな技術が開発されてきた。これらの研究は主に損失関数や活性化関数の改善、視覚特徴の拡張、マルチスケールなメトリック学習の活用、バックボーンネットワークの事前学習および微調整に注力してきた。本研究では、ワンショット学習タスクにおける類似性層の有効性を検証し、それらをMergedNetネットワークに統合するための2つのフレームワークを提案する。実験で用いた4つのデータセットすべてにおいて、MergedNetは分類精度の面でベースラインを上回り、miniImageNetで学習した場合、他のデータセットへの汎化性能も示した。