機械学習分野において，少数のサンプルから学習をする問題Few-Shot Learningが注目されている．本研究では一般画像を対象としたFew-Shot Learningの精度を改善するために物体らしさを用いて学習データを増強する手法を検討した．一般画像におけるFew-Shot Learningの誤分類を分析した結果，誤りの多くは画像中のクラスを表している物体を推定できていないことが原因であると分かった．そこで，物体らしい領域を抽出し，学習データに加えることで誤分類を改善する手法の有効性を評価した．その結果，物体らしさを利用した手法は元の学習データの5倍までのデータ増強において，ランダム切り出しを用いた手法よりも精度が高くなることが分かった．