Smooth-AP: 대규모 이미지 검색을 위한 경로 부드럽게 만들기

평균 정밀도(Average Precision, AP)와 같은 순위 기반 지표를 최적화하는 것은 그 지표가 미분 불가능하기 때문에 매우 어려운 문제입니다. 따라서 그래디언트 하강 방법을 직접 사용하여 최적화할 수 없습니다. 이에 우리는 AP의 부드러운 근사치인 Smooth-AP를 최적화하는 목적 함수를 제안합니다. Smooth-AP는 깊은 네트워크의 엔드투엔드 학습을 허용하는 플러그 앤 플레이(plug-and-play) 목적 함수로, 간단하고 우아한 구현이 가능합니다. 또한, AP의 순위 기반 지표를 직접 최적화하는 것이 다른 딥 메트릭 학습 손실 함수들보다 우월한 점에 대한 분석을 제공합니다. 우리는 Smooth-AP를 스탠퍼드 온라인 제품(Stanford Online products) 및 VehicleID와 같은 표준 검색 벤치마크에 적용하였으며, INaturalist(세부 카테고리 검색), VGGFace2 및 IJB-C(얼굴 검색)와 같은 대규모 데이터셋에서도 평가하였습니다. 모든 경우에서 우리는 기존 최신 연구 결과(state-of-the-art)보다 성능을 개선했으며, 특히 대규모 데이터셋에서 더욱 뛰어난 성능을 보였습니다. 이를 통해 Smooth-AP의 실제 상황에서의 효과성과 확장성을 입증하였습니다.