(1) 従来手法では局所特徴量にプーリングを掛ける等して画像レベルの特徴量を用いていたが、提案手法ではプーリングによる情報の損失を回避するため学習可能な局所特徴量を用いる (2) 従来の計量学習では画像と画像の距離を扱っていたが、提案手法ではクエリー画像と「各クラスに属するサンプル画像の集合」との距離を使う

miniImageNet, Stanford Dogs, Stanford Cars, CUB-200の各データセットにおいて、1-shot, 5-shotの設定でほぼ従来手法を上回る精度。特に、Stanford Carsの5-shot学習では他の手法を絶対精度で17%上回った。