現在の少数サンプル学習手法が過学習しやすく、ドメイン間の汎化能力が不足している問題に対して、学習に依存せず過学習を緩和する貯留層計算の特性に着想を得て、貯留層計算に基づく少数サンプル学習手法（Reservoir Computing based Network for Few-shot Image Classification、RCFIC）を提案した。全体の手法は特徴抽出モジュール、特徴強化モジュール、分類器モジュールで構成される。特徴強化モジュールは貯留層モジュールおよび貯留層に基づく注意機構から成り、特徴抽出ネットワークの特徴をチャネルレベルとピクセルレベルでそれぞれ強化し、同時にコサイン分類器と連携して、クラス間分散が大きくクラス内分散が小さい特徴分布の学習を促進する。実験結果は、本論文のアルゴリズムがCifar-FS、FC100、Mini-ImageNetなどのデータセットで既存手法より少なくとも1.07%高い分類精度を示し、Mini-ImageNetからCUB-200へのクロスドメイン設定においても次善手法より1.77%優れた分類精度を示すことを明らかにした。また、アブレーション実験によりRCFICの有効性を検証した。提案手法は汎化性が高く、少数サンプル画像分類における過学習問題を効果的に緩和し、ある程度クロスドメイン問題を解決できる。

少数サンプル学習;貯留層計算;注意機構;特徴強化;画像分類