초록
우리는 전역 컨텍스트 정보를 인코딩하는 정의된 계층적 트리를 통해 정보가 풍부한 학습 샘플(트리플릿)을 자동으로 수집할 수 있는 새로운 계층적 트리플릿 손실(Hierarchical Triplet Loss, HTL)을 제시합니다. 이는 랜덤 샘플링이 일반적인 트리플릿 손실 학습에서 주요한 제약 사항인 깊은 메트릭 학습의 중심 문제를 해결할 수 있게 합니다. 우리의 주요 기여는 두 가지입니다. (i) 우리는 인접 클래스들이 재귀적으로 병합되는 계층적 클래스 레벨 트리를 구축합니다. 이러한 계층적 구조는 전체 데이터베이스에 걸친 내재적인 데이터 분포를 자연스럽게 포착합니다. (ii) 우리는 설계된 계층적 트리를 기반으로 동적으로 계산되는 새로운 위반 마진(violate margin)을 도입하여 트리플릿 수집 문제를 공식화합니다. 이는 전역 컨텍스트의 안내 하에 의미 있는 어려운 샘플들을 자동으로 선택할 수 있게 합니다. 이를 통해 모델은 시각적으로 유사한 클래스들로부터 더 차별화된 특징을 학습하도록 유도되며, 이는 더 빠른 수렴과 더 나은 성능을 가져옵니다. 우리의 방법은 이미지 검색 및 얼굴 인식 작업에서 평가되었으며, 표준 트리플릿 손실보다 1%-18% 상당히 우수한 성능을 보였습니다. 또한, 이 방법은 많은 학습 반복 없이 여러 벤치마크에서 새로운 최고 수준의 성능을 달성하였습니다.