メトリック学習におけるHORDE: 深層埋め込みのための高次正則化項

画像表現間の効果的な類似度測定を学習することは、最近の視覚検索タスク（例：認証やゼロショット学習）における進歩の成功に不可欠です。メトリクス学習の部分は十分に対処されていますが、このメトリクスは通常、抽出された深層特徴量の平均に対して計算されます。その後、この表現は識別力をもつように訓練されます。しかし、これらの深層特徴量は特徴空間内で散在しがちであり、その結果、外れ値、物体の隠蔽、背景の変動などに対する表現の堅牢性が低下します。本論文では、このような散在問題を分布意識型正則化手法であるHORDE（Higher Order Regularization for Deep Embeddings）で解決します。この正則化手法により、視覚的に近い画像が特徴空間内で良好に局所化された同一の分布を持つ深層特徴量を持つことが強制されます。理論的な分析を通じてこの正則化効果を支持しています。また、4つの有名なデータセット（Cub-200-2011, Cars-196, Stanford Online Products, Inshop Clothes Retrieval）での最先端の結果を達成することで、当手法の有効性を示しています。