用于相关图像检索的分层平均精度训练

图像检索通常采用平均精度（Average Precision, AP）或召回率@k（Recall@k）进行评估。然而，这些指标仅适用于二值标签，且未考虑错误的严重程度。本文提出一种面向相关图像检索的分层平均精度训练方法（Hierarchical AP Training for Pertinent Image Retrieval, HAPPIER）。HAPPIER基于一种新型的H-AP评估指标，该指标利用概念层次结构，通过融合错误的重要性信息，对AP进行精细化调整，从而更准确地评估排序质量。为训练深度模型以优化H-AP，我们深入分析了该问题的数学结构，设计了一种平滑的下界代理损失（smooth lower bound surrogate），并结合聚类损失（clustering loss），以确保排序结果的一致性。在6个公开数据集上的大量实验表明，HAPPIER在分层检索任务中显著优于现有最先进方法；而在细粒度排序性能评估方面，其表现与最新方法相当。此外，我们还验证了HAPPIER能够实现更优的嵌入空间组织结构，并有效避免了非分层方法中的多数严重失败案例。相关代码已公开，可访问：https://github.com/elias-ramzi/HAPPIER。