MES-Loss: 상호 등거리 분리 메트릭 학습 손실 함수

최근 몇 년간 딥 메트릭 학습(Deep Metric Learning, DML)은 클러스터링 및 이미지 검색과 같은 광범위한 응용 분야에서 큰 주목을 받고 있다. 딥러닝(Deep Learning, DL)의 성공에 힘입어 많은 딥 메트릭 학습 방법이 제안되어 왔다. 신경망(Neural Networks, NNs)은 DML 손실 함수를 활용하여 고차원 특징 공간 내에서 클래스 내 밀집도를 강화하고, 샘플들을 구분력이 뛰어난 저차원 특징 공간으로 매핑하는 함수를 학습함으로써, 이러한 다양체(manifold) 상에서 샘플 쌍 간의 유사도를 효과적으로 측정할 수 있도록 한다. 기존의 대부분의 방법들은 고차원 특징 공간에서 클래스 내 밀집도를 향상시킴으로써 신경망의 구분 능력을 강화하는 데 주력하지만, 클래스 간 분리도를 명시적으로 개선하기 위한 제약 조건은 고려하지 않는다. 본 논문에서는 클래스 중심점들을 상호 간에 등거리로 분포시키는 방식으로 최적의 클래스 간 분리를 강제하는 규제를 명시적으로 포함하는 새로운 복합 DML 손실 함수를 제안한다. 제안된 DML 손실 함수는 두 개의 실제 데이터셋에서 클러스터링 및 이미지 검색 작업에서 최신 기술 수준(SOTA)의 성능을 달성하였다.