HORDE를 이용한 메트릭 학습: 딥 임베딩을 위한 고차 정규화기

이미지 표현 간의 효과적인 유사성 측정을 학습하는 것은 최근 시각적 검색 작업(예: 인증 또는 제로샷 학습)에서의 발전을 성공적으로 이끌어내는 데 있어 핵심입니다. 메트릭 학습 부분은 잘 다루어졌지만, 이 메트릭은 일반적으로 추출된 딥 피처들의 평균에 대해 계산됩니다. 이러한 표현은 차별성을 갖도록 훈련되지만, 딥 피처들은 피처 공간 내에서 분산되는 경향이 있습니다. 결과적으로, 이러한 표현들은 이상치, 객체 가림, 배경 변화 등에 대해 강건하지 않습니다. 본 논문에서는 HORDE라는 이름의 분포 인식 정규화를 통해 이 분산 문제를 해결합니다. 이 정규화는 시각적으로 가까운 이미지들이 피처 공간 내에서 잘 국지화된 동일한 분포를 가지도록 강제합니다. 우리는 이 정규화 효과를 지지하는 이론적 분석을 제공하며, 4개의 잘 알려진 데이터셋(Cub-200-2011, Cars-196, Stanford Online Products 및 Inshop Clothes Retrieval)에서 최신 연구 결과를 얻음으로써 우리의 접근 방식의 효과성을 입증합니다.