초록
메트릭 학습은 객체의 이미지를 임베딩함으로써 클래스 정의 관계가 임베딩 공간에 잘 반영되도록 하는 것을 목표로 한다. 그러나 이미지의 변동성은 단지 서로 다른 객체 클래스에 의해 발생하는 것이 아니라, 시점이나 조명과 같은 다른 은닉 특성에도 의존한다. 이러한 구조적 특성 외에도 무작위 노이즈가 관심 있는 시각적 관계를 더욱 방해한다. 메트릭 학습의 일반적인 접근법은 관심 있는 요인을 제외한 모든 요인에 대해 불변적인 표현을 강제하는 것이다. 반면, 우리는 객체 클래스 간에 공유되며 클래스를 넘나드는 은닉 특성을 명시적으로 학습하는 방안을 제안한다. 이를 통해 구조적 시각적 변동성을 직접 해소할 수 있으며, 무작위 노이즈로 간주하는 대신 그 원인을 명확히 설명할 수 있다. 우리는 클래스 간에 공유되는 시각적 특성을 학습하기 위한 새로운 대체 과제를 제안하며, 별도의 인코더를 사용한다. 이 인코더는 클래스 정보를 위한 인코더와 함께 상호정보량을 최소화함으로써 공동으로 학습된다. 다섯 개의 표준 이미지 검색 벤치마크에서 본 방법은 기존 최고 성능 기법을 크게 능가한다.