초록
본 논문은 하드니스 인식 딥 메트릭 러닝(Hardness-Aware Deep Metric Learning, HDML) 프레임워크를 제시합니다. 기존의 대부분 딥 메트릭 러닝 방법들은 학습에 필요한 정보가 부족한 문제를 완화하기 위해 하드 네거티브 마이닝 전략을 사용해 왔습니다. 그러나 이 마이닝 전략은 학습 데이터의 일부만을 활용하므로, 임베딩 공간의 전반적인 기하학적 특성을 충분히 표현하지 못할 수 있습니다. 이러한 문제를 해결하기 위해, 우리는 임베딩에 선형 보간법을 적용하여 그 하드니스 수준을 적응적으로 조작하고, 재사용 학습을 위한 라벨 유지 합성 샘플을 생성함으로써 모든 샘플에 묻혀 있는 정보를 충분히 활용하고 메트릭이 항상 적절한 난이도로 도전받도록 합니다. 본 방법은 널리 사용되는 CUB-200-2011, Cars196, 그리고 스탠퍼드 온라인 제품 데이터셋에서 매우 경쟁력 있는 성능을 달성하였습니다.