畳み込みニューラルネットワーク（CNN）は画像認識に使用されるが、CNNの構造上位置情報が失われやすい。これは物体認識では必要な性質だが、位置が重要なタスクの場合、必要に応じてデータの増量や拡張による水増しで対処することがある。本研究では、位置情報を失わせずに画像からのタスクを行うための空間的注意機構を導入したモデルを提案する。提案モデルでは少ないデータ数で位置の汎化がされるため、ピッキングなどロボットタスクの応用時にデータ収集が低コスト化されるメリットがある。本論文では空間的注意機構の基礎的検討として、カメラ画像を用いた物体の位置・姿勢推定タスクにより実験と解析を行い、CNNと比較した。