계층적 평균 정밀도 훈련을 통한 관련 이미지 검색

이미지 검색은 일반적으로 평균 정밀도(Average Precision, AP) 또는 Recall@k로 평가된다. 그러나 이러한 지표는 이진 레이블에 국한되어 있으며, 오류의 심각성을 고려하지 못한다는 한계가 있다. 본 논문은 관련 이미지 검색을 위한 새로운 계층적 AP 학습 방법인 HAP-PIER(Hierarchical AP for Pertinent Image Retrieval)을 제안한다. HAPPIER는 새로운 H-AP 지표를 기반으로 하며, 이 지표는 개념 계층 구조를 활용하여 오류의 중요성을 통합함으로써 AP를 보완하고, 순위 평가를 더욱 정교하게 수행한다. H-AP를 활용한 딥 모델 학습을 위해, 우리는 문제의 구조를 철저히 분석하고, 일관된 순서 유지 보장을 위한 클러스터링 손실과 결합된 부드러운 하한 대체 손실 함수를 설계하였다. 6개의 데이터셋에서 실시한 광범위한 실험 결과, HAPPIER는 계층적 검색에 있어서 기존 최고 성능의 방법들을 크게 능가함과 동시에, 세부적인 순위 성능 평가에서는 최신 접근법과 비슷한 성능을 보였다. 마지막으로, HAPPIER가 임베딩 공간을 더 효과적으로 구성하고, 비계층적 방법에서 흔히 발생하는 가장 심각한 오류 사례를 대폭 줄임을 확인하였다. 본 논문의 코드는 공개되어 있으며, 다음 링크에서 확인할 수 있다: https://github.com/elias-ramzi/HAPPIER.