[향상된 척도학습을 위한 레이블 완화를 활용한 임베딩 전이 학습/ Embedding Transfer with Label Relaxation for Improved Metric Learning]

기존의 지식 전이 방법들은 분류 학습의 문제를 해결하기 위한 방법들이 주를 이루었으며, 척도학습을 위한 지식 전이 방법들은 거의 연구가 되지 않았다. 제안하는 방법은 이미 학습된 모델의 이미지 관계 정보를 활용하여, 효과적으로 학습할 모델에게 이 지식을 전이할 수 있는 새로운 방법을 제안하였다. 제안한 방법은 기존의 모델보다도 더 높은 성능을 가질 수 있는 모델을 학습할 수 있고, 성능을 유지하면서 출력 임베딩 벡터의 차원을 줄이거나 학습할 모델의 크기이는 최적화를 가능하게 하였다. 뿐만 아니라, 최근 주목받고 있는 대조 자가학습(contrastive self-supervised learning)에서도 성능을 향상시킬 수 있다는 것을 보였으며, 분류 학습에서도 기존 방법들에 비해서 더 효과적임을 보였다. 제안하는 방법은 딥러닝 기술을 활용하는 수많은 컴퓨터 비전 태스크에서 이미지들의 관계 정보를 활용하여 성능을 향상시킬 수 있을 것이다.

해당 논문은 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)에 게재 됨.

※ IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)은 구글 scholar기준 h5-index 299로, 공학 전 분야의 SCI 학술지 및 학술 대회를 통틀어 1위에 해당하는 컴퓨터 비전 분야 최고 수준의 국제 학술대회입니다.