多シミラリティ損失と一般ペア重み付けを用いたディープメトリックラーニング

文献では、ペアベースの計算に基づく損失関数の家族が提案され、深層計量学習に多様な解決策を提供しています。本論文では、最近のペアベースの損失関数を理解するための一般的な重み付けフレームワークを提供します。私たちの貢献は以下の3点です：(1) 深層計量学習におけるサンプリング問題を勾配解析を通じて統一的な視点でペア重み付けとして捉える一般ペア重み付け（General Pair Weighting: GPW）フレームワークを確立し、最近のペアベースの損失関数を理解する強力なツールを提供します；(2) GPWを使用することで、既存の様々なペアベース手法を包括的に比較・議論でき、明確な違いと主要な制限が特定できます；(3) GPWのもとで新しい損失関数であるマルチ類似度損失（Multi-Similarity Loss: MS loss）を提案します。これは2つの反復ステップ（すなわち、マイニングと重み付け）で実装され、3つの類似度を完全に考慮したペア重み付けを行うことで、情報量のあるペアを集めるおよび重み付けるより原理的な方法を提供します。最後に、提案されたMS lossは4つの画像検索ベンチマークにおいて最新の手法（例：ABE\cite{Kim_2018_ECCV}やHTL）に対して大幅に優れた新規最良性能を達成しました：CUB200では60.6%から65.7%へ、In-Shop Clothes RetrievalデータセットでのRecall@1では80.9%から88.0%へと向上しました。コードはhttps://github.com/MalongTech/research-ms-loss で公開されています。