要約
メトリック学習の目的は、類似したサンプルが互いに近くなるように、サンプルを低次元空間に写像する関数を学習することである。特に、深層メトリック学習ではニューラルネットワークを用いてこのような写像を学習する。従来の大多数のアプローチは、同じクラスに属するか、あるいは異なるクラスに属するサンプルのペアまたはトリプルの関係のみを考慮する損失関数に依存している。しかし、これらの手法は埋め込み空間全体の構造を十分に探査していない。このような問題に対処するために、ミニバッチ内のすべてのサンプル間の関係を統合的に考慮するメッセージ伝達ネットワークに基づく手法を提案する。本手法では、与えられたバッチ内のすべてのサンプル間でメッセージを交換することで、埋め込みベクトルを精緻化し、学習プロセスが全体的な構造を意識できるようにする。また、決定境界の予測においてすべてのサンプルが同等に重要であるとは限らないため、メッセージ伝達の過程でアテンション機構を導入し、各サンプルが隣接するサンプルの重要性を適切に評価できるようにする。本手法は、CUB-200-2011、Cars196、Stanford Online Products、In-Shop Clothesの各データセットにおいて、クラスタリングおよび画像検索のタスクで最先端の性能を達成した。今後の研究を促進するため、コードおよび学習済みモデルを https://github.com/dvl-tum/intra_batch_connections にて公開している。