이미지 검색을 위한 강건하고 분해 가능한 평균 정밀도

이미지 검색 분야에서 일반적인 평가 지표는 점수 순위 기반을 사용하며, 예를 들어 평균 정밀도(Average Precision, AP)가 대표적이다. 본 논문에서는 AP를 활용한 딥 신경망의 엔드투엔드 학습 시 발생하는 두 가지 주요 과제인 비미분성과 비분해성 문제를 해결하기 위해, 강건하고 분해 가능한 평균 정밀도(ROADMAP)를 제안한다. 먼저, 순위 함수에 대한 새로운 미분 가능한 근사 방법을 제안하여 AP 손실의 상한을 제공함으로써 학습의 안정성을 보장한다. 또한, 전체 학습 데이터셋에서의 AP와 배치 평균 근사값 사이의 분해 가능성 갭을 줄이기 위한 간단하면서도 효과적인 손실 함수를 설계하였으며, 이에 대해 이론적 보장을 제공한다. 세 가지 이미지 검색 데이터셋에서 실시한 광범위한 실험 결과, ROADMAP는 최근 제안된 여러 AP 근사 방법들을 능가하며, 본 연구의 두 가지 기여의 중요성을 입증한다. 마지막으로, 딥 모델 학습에 ROADMAP를 적용한 결과, 세 데이터셋 모두에서 최신 기술(SOTA) 성능을 초월하는 매우 우수한 성능을 달성하였다.