검색 기능은 준비 중입니다.
검색 기능은 준비 중입니다.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Deep Metric Learning for Multi-Label and Multi-Object Image Retrieval 다중 라벨 및 다중 개체 이미지 검색을 위한 심층 측정 학습

Jonathan MOJOO, Takio KURITA

  • 조회수

    0

  • 이것을 인용

요약 :

콘텐츠 기반 이미지 검색은 컴퓨터 비전 연구자들 사이에서 오랫동안 뜨거운 주제였습니다. 수년에 걸쳐 많은 발전이 있었으며, 최근의 발전 중 하나는 많은 기계 학습 작업에서 심층 신경망의 성공에서 영감을 받은 심층 메트릭 학습입니다. 메트릭 학습의 목표는 신경망을 사용하여 이미지 픽셀 데이터에서 좋은 상위 수준 특징을 추출하는 것입니다. 이러한 기능은 알고리즘이 인간과 같은 정확도로 이미지 간의 시각적 비교를 수행할 수 있도록 하는 유용한 추상화를 제공합니다. 이러한 특징을 학습하기 위해 이미지 유사성 또는 상대적 유사성에 대한 지도 정보가 자주 사용됩니다. 심층 메트릭 학습에서 중요한 문제 중 하나는 이미지의 다중 레이블 또는 다중 객체 장면에 대한 유사성을 정의하는 방법입니다. 전통적으로 쌍별 유사성은 두 이미지 사이에 단일 공통 레이블이 있는지를 기반으로 정의됩니다. 그러나 이 정의는 매우 대략적이며 다중 레이블 또는 다중 개체 데이터에는 적합하지 않습니다. 또 다른 일반적인 실수는 이미지에 있는 개체의 다양성을 완전히 무시하여 특정 유형의 데이터 세트의 다중 개체 측면을 무시하는 것입니다. 우리 연구에서는 다중 라벨 및 다중 객체 이미지 데이터의 상대적 유사성을 기반으로 심층 이미지 표현을 학습하는 접근 방식을 제안합니다. 두 레이블 세트의 합집합에 대한 교차점에 해당하는 Jaccard 유사성 계수를 기반으로 하는 직관적이고 효과적인 유사성 측정항목을 소개합니다. 그러므로 우리는 유사성을 이산적인 양이 아닌 연속적인 양으로 취급합니다. 우리는 이 유사성 메트릭을 적응형 마진을 사용하여 삼중 손실에 통합하고 이미지 검색 작업에서 좋은 평균 평균 정밀도를 달성합니다. 우리는 최근 제안된 양자화 방법을 사용하여 유사성을 유지하면서 결과적인 심층 특징을 양자화할 수 있음을 보여줍니다. 또한 우리는 제안된 유사성 메트릭이 이전에 제안된 코사인 유사성 기반 메트릭보다 다중 객체 이미지에 대해 더 나은 성능을 발휘한다는 것을 보여줍니다. 우리가 제안한 방법은 두 개의 벤치마크 데이터 세트에서 여러 가지 최첨단 방법보다 성능이 뛰어납니다.

발행
IEICE TRANSACTIONS on Information Vol.E104-D No.6 pp.873-880
발행일
2021/06/01
공개일
2021/03/08
온라인 ISSN
1745-1361
DOI
10.1587/transinf.2020EDP7226
원고의 종류
PAPER
범주
이미지 처리 및 비디오 처리

작성자

Jonathan MOJOO
  Hiroshima University
Takio KURITA
  Hiroshima University

키워드