転移学習において「負の転移」を防ぐ手段の一つとして，異なるソースタスクで学習した複数のモデルを統合し利用するマルチソース転移学習がある．この際の統合は，一般にブースティング等の手法によりdecision-levelで行われるが，本研究では，主に画像認識を対象としたfeature-levelの統合法を提案し，認識精度の向上を目指す．提案手法では，アテンション機構の導入によりモデルごとの注目領域に多様性を持たせ，モデル同士の連携を高める．その際，アテンションマップの値域や方向（空間方向かチャンネル方向か）が統合後モデルの性能に与える影響を実験的に調査し，手法の更なる改善を図る．