Large Scale Landmark Recognition via Deep Metric Learning

[chullhwan-song]

https://arxiv.org/abs/1908.10192

[chullhwan-song]

abstract

• landmark 인식
• Mail.ru(러시아)회사에서 공개한 paper
• metric learning 기반..
  • paper안에서는 "Curriculum learning(이미 이전 리뷰에서..#59 개념참고)" 개념과 같이
• 실제 회사에서 낸 케이스라 실용적인 논문일듯.

전체 프로세스

• 특이(?)한점은 첫번째 과정에서, landmark vs non-landmark인것인가를 check
  • 이를 위해 , 각 클래스의 centroid를 계산 - 각 embedding feature의 average
    • 특이할점은, 하나의 클래스(같은 랜드마크)라도 촬영시점이 다른 것끼리는 분리
      
• base network > Wide Residual Network (WRN-50-2) > 잘 몰라서 더 찾아봐야할듯.
  
• feature > global average pooling
  
• loss
  • softmax+center loss
  • 논문제목이 metric learning이어서.. softmax ?? 를 사용한 케이스? center loss가 ?
    
  • cam기반 landmark 설명한것을 보니 softmax는 확실 ㅎ
    

학습

• 제목그래로 metric learning인줄알았더니..softmax+center loss 조합
• curriculum learning 개념으로 학습셋을 구성하여 학습
• 기본적으로 이 회사에서 만든 학습셋인듯
  • (1) Europe (including all Russia);
  • (2) North America, Australia and Oceania;
  • (3) Middle East, North Africa;
  • (4) Far East.
    

실험

• delf 와 같이 통합하여 실험 - spatial verification
• 다음부터 좀 헷갈린다.
• train data ?
  • sensitivity — accuracy of a model on images with landmarks (also called Recall)
    • ?? 학습모델을 랜크마크 이미지를 가지고 구성하여 모델 생성
  • specificity — accuracy of a model on images without landmarks.
    • ?? 학습모델을 랜크마크 이미지없이 가지고 구성하여 모델 생성.
• test data ?
  • “rare” and “frequent” landmarks.
    
    • “Part from total number” : shows what percentage of landmark examples in the offline test
      has the corresponding type of landmarks > offline??몬지는 모르겠지만.ㅎ 전체 수집한것중 잘 나타나지 않는 landmark를 의미하는듯.??
      • 각 클래스를 보고 그 클래스의 갯수를 보고 자른것인가? 그렇다면 반대가 되어야하는데. ㅠ(유명 랜드마크는 그 클래스안에서는 개수는 많아도 전체 지구 개수의 랜드마크의 아주 일부분이기 때문에....?? 그래서 이 개념은 아닌듯) > 데이터를 주지 않으니..ㅠ
      • 특정 영역(geo)을 crawling를 했는데..그때의 전체 이미지중 보니 매우 낮은 랜드마크만 있었서 나머지는 non-landmark 비율이 높은 경우를 'rare'로 하지 않았을까?
        • It’s very important to understand how model works on “rare” landmarks due to the small amount of data for them.
• 데이터셋구성
  • test set > all: 581545 > 이중 약 3%만 landmark 이미지
  • 아래 그림은 "rare" vs "frequent" > 그림보고도 이해안감.ㅠ > 대충? 설명
  • 아래 그림의 왼쪽은 centriod들과 밀접한 top 5 centriod 이미지 > 그래서, 각 클래스안에 다른 view가 존재하는듯..(위에서 언급)
    
• eval set 평가 = Medium vs Hard > distractors image에 대한 포함여부 테스트
  
  • 평가가 살짝 fair하지 않는듯 > 여기서는 자체 train set를 ... > ( neuralcode같은것을 이용하지 않고..) > 공개했으면..
  • neuralcode나 google landmark 데이터셋을 trainset으로한 실험도 같이 했으면 더 좋을것 같다.