グローバル特徴量は、画像検索およびリランキングにおいて十分である

画像検索システムは従来、初期検索にグローバル特徴を、再ランク付け（reranking）にローカル特徴を用いる二段階アーキテクチャを採用している。しかし、再ランク付け段階におけるローカル特徴のマッチングに伴う膨大なストレージおよび計算コストのため、このアプローチのスケーラビリティはしばしば制限される。本論文では、初期検索および再ランク付けの両段階において、グローバル特徴のみを用いる新たな手法「SuperGlobal」を提案する。これにより、精度を損なうことなく大幅な効率性向上を実現した。SuperGlobalは、特にグローバル特徴の抽出と再ランク付けプロセスに着目し、重要な改善を加えた。抽出段階では、広く用いられるArcFace損失関数とGeneralized Mean（GeM）プーリングの組み合わせがサブオプティマルな性能をもたらすことを明らかにし、GeMプーリングを改善するための複数の新規モジュールを提案した。再ランク付け段階では、少数の画像に限定して特徴の精緻化のみを考慮することで、クエリ画像および上位ランク画像のグローバル特徴を更新する新規手法を導入した。このアプローチは、計算およびメモリ使用量の点で極めて効率的である。実験の結果、標準ベンチマークにおいて、最先端手法と比較して顕著な性能向上が確認された。特に、Revisited Oxford+1M Hardデータセットにおいて、単段階の結果は7.1%向上し、二段階アプローチでは3.7%の向上を達成しつつ、強力な64,865倍の高速化を実現した。本研究の二段階システムは、現在の単段階最先端手法を16.3%上回り、時間オーバーヘッドを最小限に抑えつつ、スケーラブルかつ高精度な画像検索システムの代替案を提供している。コードは以下のリンクから入手可能：https://github.com/ShihaoShao-GH/SuperGlobal。