맥락 정보 유사도를 활용한 이미지 피처 해싱

Q: 이 논문에서 정의한 맥락 유사도란 무엇인가?

맥락 유사도는 Variational Auto Encoder(VAE)를 활용하여 이미지의 잠재 공간에서 두 이미지 간의 contextual 거리를 두 가우스 분포 사이의 KL-divergence로 설정한 것이다. VAE 인코더를 통해 표현된 이미지의 d차원 다변수 가우스 분포를 기반으로 계산되며, 이미지의 맥락 정보를 반영한다.

Q: 기존 피처 해싱 모델의 한계점은 무엇인가?

연구 결과, 기존 피처 해싱 모델은 레이블 유사도에 전적으로 의존하여 해시 코드의 다양성 부족과 잘못 분류된 이미지에서 낮은 성능을 보이는 한계가 있다. 이는 같은 레이블의 이미지를 같은 해시 코드에 매칭시키거나, 잘못된 레이블 정보가 들어올 경우 전혀 상관없는 이미지가 비슷한 해시 코드를 가지게 하는 문제를 야기한다.

윤현구; 강태관; 정교민

학술대회자료 Full-text

저자정보: 윤현구 (서울대학교) 강태관 (서울대학교) 정교민 (서울대학교)

저널정보: Korean Institute of Information Scientists and Engineers 한국정보과학회 학술발표논문집 한국정보과학회 2019 한국소프트웨어종합학술대회 논문집

오류 신고하기

피인용 0

검색

초록·키워드

이미지 검색을 위한 피처 해싱 모델은 레이블 유사도(pairwise label similarity)에 전적으로 의존하고 으 나, 단지 레이블이 같은지 아닌지 만을 확인하는 레이블 유사도는 이미지의 맥락 정보가 전혀 고려되지 않기 때문에 그 한계가 명확하며 부정적인 사용자 경험을 초래하게 된다. ... 전체 초록 보기

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록·키워드

참고문헌

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

댓글(0)