Segment Augmentation and Differentiable Ranking for Logo Retrieval

要約

ロゴ検索は、画像検索タスクと比較して類似性の定義がより主観的であり、既知の類似性の集合が非常に乏しいため、挑戦的な問題である。この課題に取り組むため、本稿では、ロゴ検索のためのディープネットワークの学習のために、人為的に類似したロゴを導入する、シンプルかつ効果的なセグメントベースの補強戦略を提案する。この新しい拡張戦略では、従来の画像レベルの拡張戦略とは異なり、まずロゴのセグメントを見つけ、そのセグメントに対して回転、拡大縮小、色変更などの変換を適用する。さらに、最近導入されたランキングベースの損失関数であるSmooth-APが、ロゴ検索のための類似性学習のためのより良いアプローチであるかどうかを評価する。大規模なMETU Trademark Datasetにおいて、(i)我々のセグメントベースの拡張戦略は、ベースラインモデルや画像レベルの拡張戦略と比較して検索性能を向上させ、(ii)Smooth-APはロゴ検索において従来の損失よりも実際に性能が良いことを示す。

要約(オリジナル)

Logo retrieval is a challenging problem since the definition of similarity is more subjective compared to image retrieval tasks and the set of known similarities is very scarce. To tackle this challenge, in this paper, we propose a simple but effective segment-based augmentation strategy to introduce artificially similar logos for training deep networks for logo retrieval. In this novel augmentation strategy, we first find segments in a logo and apply transformations such as rotation, scaling, and color change, on the segments, unlike the conventional image-level augmentation strategies. Moreover, we evaluate whether the recently introduced ranking-based loss function, Smooth-AP, is a better approach for learning similarity for logo retrieval. On the large scale METU Trademark Dataset, we show that (i) our segment-based augmentation strategy improves retrieval performance compared to the baseline model or image-level augmentation strategies, and (ii) Smooth-AP indeed performs better than conventional losses for logo retrieval.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL