기본적으로 Deep feature를 특정방법으로 embedding하여 최대해 유사 product를 찾는것이 주 목적
product iconic 성(배경이 white) vs 실제 환경에 놓여져 있는 같은 product를 찾는 문제
background
Siamese networks
참고) triplet loss는 2 Siamese 를 묶어놓은 개념이다.
metric learning
Learn Similarity
Verification vs Classification : 이 말이 더 정답일듯한데, 데이터셋의 특성에 따라, 다를듯도 생각되어
짐.다만, similarity는 classification(deep feature)에서 어느정도 학습되므로, verification에 더 근접하지 않을까?
6.3장의 고민과 비슷할수 있음, "Style similarity vs. image similiarity."
style similarity and visual similarity are not the same.
입력 이미지 I는 function f에 의해 x로 embedding된다고 가정, 그러면 다음식이 유도
parameter 를 찾아야 embedding이 가능(학습시켜 최적의 파라메터를 찾야아한다는 의미) , 즉 이 parameter는 weights와 bias를 의미
이를 위해, pair 데이터를 이용, 즉, positive pair, negative pair를 입력으로 받는 2개의 같은 net를 적용한다 이를 siamese network라 부름. - 보통 metric learning이라고 부름(이 논문이 나올시기에는 이런 학습이 많이 쓰이지 않았지만, 이후, triplet loss 방법으로 진화(?)하면서 많이 적용되기 시작함)
https://www.cs.cornell.edu/~kb/publications/SIG15ProductNet.pdf