要約
メトリック学習は、物体の画像を埋め込むことで、クラスに定義された関係が埋め込み空間に捉えられるようにすることを目指している。しかし、画像内の変動は、異なる物体クラスによるものだけでなく、視点や照明といった他の潜在的な特徴にも依存する。これらの構造的特性に加え、ランダムノイズがさらに注目すべき視覚的関係を妨げている。メトリック学習の一般的なアプローチは、関心のある要因を除き、すべての要因に対して不変な表現を強制することである。これに対して、本研究では、異なる物体クラスに共通する潜在的特徴を明示的に学習することを提案する。これにより、構造的な視覚的変動を直接説明可能となり、それらを未知のランダムノイズであると仮定する必要がなくなる。本研究では、クラス間で共有される視覚的特徴を学習するための新しい代替タスクを提案し、別個のエンコーダを用いて実現する。このエンコーダは、クラス情報のエンコーダと共同で学習され、両者の相互情報量を最小化することで訓練される。5つの標準的な画像検索ベンチマークにおいて、本手法は従来の最先端手法を顕著に上回る性能を達成した。