깊이 계량 학습(Deep Metric Learning)은 이미지 픽셀을 이미지 간 유사성을 모델링하는 임베딩 특징 벡터로 매핑하는 함수를 학습하는 것을 목표로 합니다. 계량 학습의 두 주요 응용 분야는 콘텐츠 기반 이미지 검색(Content-Based Image Retrieval)과 얼굴 인증(Face Verification)입니다. 검색 작업에 대해서는 현재 대부분의 최신 기술(SOTA, State-of-the-Art) 접근 방식이 트리플렛 기반 비매개변수 훈련(Triplet-Based Non-Parametric Training)을 사용합니다. 그러나 얼굴 인증 작업에서는 최근의 SOTA 접근 방식들이 분류 기반 매개변수 훈련(Classification-Based Parametric Training)을 채택하고 있습니다. 본 논문에서는 분류 기반 접근 방식이 이미지 검색 데이터셋에서 얼마나 효과적인지를 조사합니다. 우리는 CAR-196, CUB-200-2011, Stanford Online Product, In-Shop 등의 표준 검색 데이터셋에서 이미지 검색 및 클러스터링 성능을 평가하여, 다양한 특징 차원과 기본 특징 네트워크에서 우리의 분류 기반 접근 방식이 경쟁력 있음을 확인하였습니다. 또한, 대규모 분류 기반 훈련을 위한 클래스 샘플링(Subsampling Classes)의 성능 영향과 이진화(Binarization)의 효과에 대해 심도 있게 살펴보았으며, 이는 효율적인 저장 및 계산을 가능하게 하여 실용적 응용에 적합함을 보여줍니다.