초록
깊이 계량 학습(Deep Metric Learning)은 의미적으로 유사한 이미지가 임베딩 공간에서 가까운 위치에 매핑되고, 의미적으로 비슷하지 않은 이미지는 먼 위치에 매핑되는 임베딩을 정의하는 것을 목표로 합니다. 많은 연구는 같은 클래스의 이미지를 가능한 한 가깝게 모으는 손실 함수와 전략에 초점을 맞추어 이러한 임베딩을 학습하는 데 중점을 두었습니다. 본 논문에서는 이와 다른, 완화된 임베딩 전략을 제안합니다. 이 전략은 각 훈련 이미지를 동일한 클래스 내에서 가장 유사한 예제들만으로 매핑하도록 요구하며, 이를 "쉬운 양성(Easy Positive)" 마이닝이라고 명명하였습니다. 우리는 일련의 실험과 시각화를 통해 이 쉬운 양성 마이닝이 더 유연하고 새로운 미확인 데이터에 대해 더 잘 일반화되는 임베딩을 생성함을 강조합니다. 이 간단한 마이닝 전략은 CUB, 스탠퍼드 온라인 제품, 인샵 의류 및 Hotels-50K 등의 이미지 검색 데이터셋에서 복잡한 손실 함수와 앙상블 방법론을 포함한 최신 접근 방식들을 능가하는 재현율 성능을 보여줍니다.