関係性画像検索のための階層的平均精度トレーニング

画像検索は一般的に平均精度（AP）またはRecall@kによって評価されるが、これらの指標は二値ラベルに限定されており、誤差の重大性を考慮していないという制限がある。本論文では、関連する画像検索（HAP-PIER）のための新しい階層的AP学習法を提案する。HAPPIERは、新たなH-AP指標に基づいており、この指標は概念階層を活用して誤差の重要性を統合し、ランキングの評価をより適切に行う。深層モデルをH-APで学習するため、問題の構造を詳細に分析し、順序の一貫性を保証するクラスタリング損失と組み合わせた滑らかな下界近似（surrogate）を設計した。6つのデータセットにおける広範な実験の結果、HAPPIERは階層的検索において最先端手法を大きく上回り、細粒度のランキング性能を評価する際には最新のアプローチと同等の性能を達成した。さらに、HAPPIERが埋め込み空間のより良い構造化をもたらし、非階層的手法の最も深刻な失敗ケースを防止することを示した。本研究のコードは公開されており、以下のURLから入手可能である：https://github.com/elias-ramzi/HAPPIER。