Open yskn67 opened 3 years ago
画像のembeddingを意味的に近しい画像同士の距離が近くなるように獲得する手法。 既存手法だとカテゴリレベルでの近さを考慮しているが、提案手法は適切な粒度で意味的な近さを獲得する。
提案手法では画像に紐づくカテゴリに対してのsoftmax lossとグラフの近傍のembeddingの距離が近くなるように学習を行う。 ここで画像のカテゴリは検索エンジンのクエリ、グラフは同じ検索結果ページでのco-click rateや類似画像検索結果ページでのクリック率を用いて構築する。
https://dl.acm.org/doi/10.1145/3336191.3371784
Da-Cheng Juan† Chun-Ta Lu† Zhen Li† Futang Peng† Aleksei Timofeev† Yi-Ting Chen† Yaxi Gao† Tom Duerig† Andrew Tomkins† Sujith Ravi† † Google Research Mountain View, CA
WSDM 2020
一言でいうと
画像のembeddingを意味的に近しい画像同士の距離が近くなるように獲得する手法。 既存手法だとカテゴリレベルでの近さを考慮しているが、提案手法は適切な粒度で意味的な近さを獲得する。
提案手法では画像に紐づくカテゴリに対してのsoftmax lossとグラフの近傍のembeddingの距離が近くなるように学習を行う。 ここで画像のカテゴリは検索エンジンのクエリ、グラフは同じ検索結果ページでのco-click rateや類似画像検索結果ページでのクリック率を用いて構築する。
論文リンク
https://dl.acm.org/doi/10.1145/3336191.3371784
著者/所属機関
Da-Cheng Juan† Chun-Ta Lu† Zhen Li† Futang Peng† Aleksei Timofeev† Yi-Ting Chen† Yaxi Gao† Tom Duerig† Andrew Tomkins† Sujith Ravi† † Google Research Mountain View, CA
投稿日付(yyyy/MM/dd)
WSDM 2020