Metric Learning入門 2019/9/25 Rev0

本資料の位置づけ ❏ 読者の想定： Deep LearningでCNNによる画像分類の知識があるが、 Metric Learningに関する知識がない方 ❏ 最終的には、原論文を読んで欲しいですが、 基礎となる情報をスライドにまとめました。 ❏ 資料は今後修正＆更新していく予定です。

解こうとしているタスク 犬 人 猫 Aさん Bさん Cさん 一般物体認識 （通常の画像分類） 特徴 １クラスあたりのデータ数が少ない 　 より詳細な物体認識 （通常の画像分類） 過学習を起こしやすい

metric learningの全体像 特徴量抽出器 （モデル） 学習時 利用時 ①同じクラスは 距離が近くなるように 学習 ＊実際には、n次元のベクトルです ②距離（類似度）を算出 検索したい データ

metric learningの全体像 特徴量抽出器 （モデル） 学習時 利用時 ①同じクラスは 距離が近くなるように 学習 ＊実際には、n次元のベクトルです ②距離（類似度）を算出 検索したい データ 学習時には １クラス複数枚の 画像が必要 利用時には １クラス１枚の画像でも よい

metric learningの種類 siamese network triplet network L2 softmax network 発表年 2006年〜 2014年〜 2017年〜 入力形式 ２つペアを入力 ３つペアを入力 ペア無しで入力 モデルの 概要 ancher

L2 softmax networkの代表的なモデル ・CosFace ・SphereFace ・ArcFace ・AdaCos

ArcFace （列ごとに）正規化 正規化 ①　　　を とみなす ②正解ラベルに対する 　　　のみ mのペナルティを与える ① ② ③ ③logitsの値が小さいので 　logitをｓ倍する

Toyデータでの結果

No content

メリット・デメリット ・通常のクラス分類のモデルに拡張する形なので実装が容易 ・クラス数が多いとパラメータ数が多くなる。 ・（学習時になかった）新しいクラスのデータに対する 　　　　　　　　　　　予測精度が低い メリット デメリット

ArcFaceのクラス化 ・正規化 ・arcCos ・+mのペナルティ ・s倍のスケール などの一連の処理をクラス化 https://github.com/4uiiurz1/pytorch-adacos

通常の分類モデル の後にmetricモデルの 処理をつなげる インスタンス化

活用できそうなケース ・商品検索 　 - 例：自動販売機のジュース、コンビニにあるタバコ 　- 新商品が発売されても、画像が１枚あれば対応可能 ・レコメンド（ランキング） 　- 例：洋服のECサイトで選択した商品に似たアイテムを表示

参考リンク ・Metric Learning 入門 https://copypaste-ds.hatenablog.com/entry/2019/03/01/164155 ・モダンな深層距離学習 (deep metric learning) 手法: SphereFace, CosFace, ArcFace https://qiita.com/yu4u/items/078054dfb5592cbb80cc ・ArcFaceの論文 https://arxiv.org/abs/1801.07698 ・Pytorchの実装コード https://github.com/4uiiurz1/pytorch-adacos