딥 서파즈드 해싱을 통한 빠른 이미지 검색

본 논문에서는 대규모 데이터셋에서 이미지 검색을 매우 효율적으로 수행하기 위해 컴팩트한 이진 코드를 학습하는 새로운 해싱 방법을 제안한다. 복잡한 이미지 외형 변화는 여전히 신뢰할 수 있는 검색에 큰 도전 과제를 안겨주고 있으나, 최근 컨볼루션 신경망(Convolutional Neural Networks, CNNs)이 다양한 시각 작업에서 강건한 이미지 표현을 학습하는 데 있어 두드러진 성과를 거두고 있음에 착안하여, 본 연구는 방대한 이미지 데이터에 대해 컴팩트하고 유사도를 보존하는 이진 코드를 학습하기 위한 새로운 딥 서포티드 해싱(Deep Supervised Hashing, DSH) 방법을 제안한다. 구체적으로, 유사/비유사 이미지 쌍을 입력으로 받아들이는 CNN 아키텍처를 설계하였으며, 각 이미지의 출력이 이산 값(예: +1/-1)에 근사하도록 유도한다. 이를 위해, 입력 이미지 쌍으로부터 제공되는 지도 정보를 활용하여 출력 공간의 구분 능력을 극대화하는 동시에, 실수값 출력에 정규화를 가해 원하는 이산 값에 근사하도록 하는 특별히 설계된 손실 함수를 제안한다. 이미지 검색 시에는 새로운 쿼리 이미지를 네트워크를 통해 전파한 후 출력을 이진 코드로 양자화함으로써 간편하게 인코딩할 수 있다. CIFAR-10과 NUS-WIDE 두 대규모 데이터셋에 대한 광범위한 실험 결과를 통해 제안한 방법이 기존 최첨단 기법들과 비교하여 뛰어난 성능을 보임을 확인하였다.