[연구의 필요성]
척도 학습 (Metric learning)은 데이터 간의 유사성을 반영하는 임베딩 공간을 학습하는 방법론으로서 이미지 검색, 얼굴 인증, 사람 식별 시스템 등에서의 핵심 기술로 사용된다. 기존 척도 학습 방법들은 데이터의 클래스 동등성에 기반하여 학습된다. 그러나 클래스 정보는 데이터의 의미론적 유사성을 완전하게 반영하지 못한다는 한계가 있다. 예를 들어, 강아지와 고양이는 서로 다른 클래스이지만, 둘 다 포유류의 하위 클래스이다. 이러한 데이터의 잠재적인 의미론적 계층 구조를 고려하지 못하면, 학습된 임베딩 공간은 데이터의 실제 유사성을 제대로 반영하지 못하게 되나, 현재까지는 이러한 계층 구조를 고려할 수 있는 척도 학습에 대한 연구가 부족한 상황이다.

[포스텍이 가진 고유의 기술]
본 연구는 데이터의 복잡하고 다양한 계층 구조를 직접적인 주석 정보 없이 파악하고, 해당 구조를 임베딩 공간 내에 효과적으로 반영하는 것을 목표로 한다. 이를 위해, 본 연구에서는 데이터들을 계층적으로 군집화 할 수 있는 새로운 기법인 HIER를 제안한다. 구체적으로, 제안하는 방법은 데이터들의 상위 계층을 나타내는 매개변수인 계층적 프록시 (hierarchical proxy)를 도입함으로써, 프록시와 데이터 간의 계층적 상하 관계를 학습한다. 특히, 계층 구조를 표현하는 데에 적합한 특성을 가진 쌍곡선 공간 (Hyperbolic space)을 활용하여, 데이터의 의미론적 계층 구조를 정교하게 근사하는 방법을 제안한다.

[연구의 의미]
본 연구는 데이터의 의미적 계층 구조를 주석 없이 자기 지도적으로 파악하고, 이를 활용하여 데이터의 실제 유사성을 보다 정확히 반영할 수 있는 임베딩 공간을 학습하는 방법을 새롭게 제안했다는 점에서 큰 의미를 가진다. 이를 통해 기존의 척도 학습 방법들이 가지고 있는 한계를 극복함으로써, 이미지 검색, 얼굴 인식, 사람 식별 등 다양한 응용 분야에서의 성능 향상을 기대할 수 있다.

[연구결과의 진행 상태 및 향후 계획]
본 연구는 2023년 컴퓨터비전 분야 최우수 국제학술대회 중 하나인 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)에서 소개되었다. 현재는 다양한 이기종 데이터들이 섞여 있을 수 있는 실제 시나리오에서의 척도 학습 문제에 대한 연구를 진행중이다.

[성과와 관련된 실적]
Sungyeon Kim, Boseung Jeong, Suha Kwak, “HIER: Metric Learning Beyond Class Labels via Hierarchical Regularization”, CVPR 2023

[성과와 관련된 이미지]