画像検索の再ランキング理解：グラフニューラルネットワークの視点

再順位付け手法は、高信頼度の取得サンプルを用いて検索結果を洗練し、画像検索タスクの後処理ツールとして広く採用されています。しかし、当研究では再順位付けの主な欠点である高い計算複雑性に注目しました。これは実世界のアプリケーションにおいて負担となる時間コストをもたらします。本論文では、再順位付けを見直し、その手法が高並列性を持つグラフニューラルネットワーク（GNN）関数として再定式化可能であることを示します。特に、従来の再順位付けプロセスを2つのフェーズに分割します。すなわち、高品質なギャラリーサンプルの取得と特徴量の更新です。我々は第1フェーズがk-最近傍グラフの構築に等しいと考えています。一方で、第2フェーズはグラフ内のメッセージ伝播と見なすことができます。実際には、GNNは接続されたエッジを持つ頂点のみを考慮する必要があります。グラフが疎であるため、頂点の特徴量を効率的に更新することができます。Market-1501データセットにおいて、当方法によりK40m GPUを使用して再順位付け処理時間を89.2秒から9.4ミリ秒に短縮できました。これによりリアルタイムでの後処理が可能となりました。同様に、VeRi-776, Oxford-5k, Paris-6k, University-1652という他の4つの画像検索ベンチマークでも当方法は制限された時間コストで同等またはそれ以上の検索結果を達成することが確認されました。当研究のコードは公開されています。この翻訳では、専門的な技術用語や概念について正確に翻訳し、日本語の表現習慣に合わせて自然な文章を作成しました。また、正式かつ客観的な書き方で表現し、原文との内容の一貫性を保つように努めました。