초록
딥 신경망의 발전에 힘입어, 트리플릿 네트워크나 시아메즈 네트워크를 사용한 딥 메트릭 학습도 다양한 작업에서 유망한 결과를 달성하였습니다. 동일한 카테고리의 이미지를 다른 카테고리의 이미지보다 가깝게 만드는 기본 목표는 직관적이지만, 샘플 크기가 이차적이나 삼차적인 관계로 인해 직접 최적화하기는 어려운 문제입니다. 이러한 문제를 해결하기 위해, 모델이 어렵다고 판단하는 일부 샘플만 집중하는 하드 예제 채굴(Hard Example Mining)이 널리 사용되고 있습니다. 그러나 '어렵다'는 개념은 모델에 상대적으로 정의되며, 복잡한 모델은 대부분의 샘플을 쉽게 처리하고 단순한 모델은 대부분의 샘플을 어렵게 처리합니다. 이 두 경우 모두 훈련에는 좋지 않습니다. 또한, 샘플들은 서로 다른 난이도를 가지고 있어 적절한 복잡도를 가진 모델을 정의하고 하드 예제를 선택하는 것이 쉽지 않습니다. 이를 해결하기 위해, 우리는 다양한 복잡도를 가진 여러 모델을 계단식으로 앙상블하고, 샘플이 점점 더 복잡한 모델들에 의해 평가되어 하드 케이스로 간주되는 경우에만 해당 모델들을 업데이트하는 적응형 하드 예제 채굴 방법을 제안합니다. 본 연구에서는 CARS196, CUB-200-2011, 스탠퍼드 온라인 프로덕츠(Stanford Online Products), VehicleID 및 DeepFashion 데이터셋을 사용하여 제안된 방법을 평가하였으며, 실험 결과 본 방법이 기존 최신 기법들보다 크게 우수함을 확인할 수 있었습니다.