MyStraw
commented
1 year ago 나인온스의 이미지 1개를 선택했을시 퀸잇의 이미지들과 비교를 하는것 나인온스의 모든 이미지를 잠재벡터 처리하고 군집화할 필요는 없다.
다만 17729개의 나인온스의 모든 이미지를 잠재벡터 처리를 미리해서 DB에 저장을 한다면 일 한가지를 줄일수도 있지 않을까.
선택된 A의 이미지에서 추출한 잠재벡터 1개를 B의 군집들과 비교를 해 가장 비슷한 군집을 찾고 군집 내에서도 랭킹을 매겨 가장 비슷한애를 고를수 있다
그 방법으로는
군집 내에서 선택된 A 이미지와 가장 유사한 B 이미지를 찾을 때 사용할 수 있는 여러 방법이 있다
거리 메트릭 사용
- 유클리디안 거리 (Euclidean Distance): 각 잠재 벡터 간의 유클리디안 거리를 계산하여 가장 가까운 이미지를 찾습니다.
- 코사인 유사도 (Cosine Similarity): 각 잠재 벡터 간의 각도를 계산하여 유사도를 측정합니다. 이 방법은 벡터의 크기보다 방향에 더 중점을 둡니다. 머신러닝/통계 기반 방법 k-NN (k-Nearest Neighbors): A의 잠재 벡터와 가장 가까운 k개의 B 이미지를 찾습니다. 이 방법은 유클리디안 거리나 코사인 유사도 등의 거리 메트릭을 기반으로 할 수 있습니다. 랭킹 알고리즘: 머신러닝 기반의 랭킹 알고리즘 (예: Learning to Rank)을 사용하여 A의 이미지와 가장 유사한 B의 이미지를 랭킹화할 수 있습니다. 집계 방법
- 투표 기반: 여러 거리 메트릭이나 알고리즘을 사용하여 각각의 랭킹을 생성한 후, 이를 종합하여 최종 랭킹을 결정할 수 있습니다. 기타 고려사항
- 정규화: 데이터의 스케일이 다른 경우, 정규화를 통해 유사도 측정의 정확성을 높일 수 있습니다.
- 가중치: 특정 차원이나 특성이 더 중요하다고 판단되는 경우, 거리 측정 시 가중치를 부여할 수 있습니다. 이러한 방법들을 조합하여 가장 효과적인 유사도 측정 방법을 선택할 수 있습니다. 실험을 통해 가장 좋은 결과를 내는 방법을 찾는 것이 중요합니다
의류이미지가 옷걸이에 걸린것도 있고, 옷걸이에 2벌이상 걸린것도 있고 옷을 착장한 사람이미지가 있고, 마네킹에 입혀진 이미지가 있다
이걸 그냥 잠재벡터로 뽑아서 군집화 해버리면 옷걸이는 옷걸이끼리, 마네킹은 마네킹끼리, 사람은 사람끼리 묶어버릴 가능성이 크고 옷이라는것에 집중되어 군집화되지 않을수있다
그래서 이 옷만 따로 인식해서 잠재벡터를 뽑고 군집화를 시켜야 옳을것.
이 방향에 대해서 생각해봐야 한다.
그리고 군집화 개수에 대해서, 군집화를 눈으로 확인할수 있는 방법을 찾기