earticle

영어

Near-duplicate image detection is a find image pairs that satisfy some predefined conditions on image duplication. To solve this problem, deep learning techniques for image analysis are being used actively. The conventional approaches mainly use supervised learning methods for classification tasks, which needs appropriate supervised signals such as class labels. Also, it is difficult to have sufficient generalization performance when the domain of input images is not limited to a specific group. Considering these difficulties, this paper proposes a method for near duplicate image detection by extracting image features using a self-supervised model, which has recently been attracting attention, and comparing distances between the features. We conduct comparative experiments with other models using California-ND data and MIR-Flickr Near Duplicate (MFND) data, and confirm that our method achieves the state-of-the-art performance.

한국어

중복 이미지 탐지(near-duplicate image detection)는 중복에 대하여 미리 정의된 특정 조건을 만족하는 이미지 쌍을 찾는 문제이다. 최근 연구에서는 중복 이미지 쌍을 찾기 위해 이미지 분석을 위한 딥러닝 기술이 활용되고 있 는데, 기존의 딥러닝 기법은 주로 분류 문제를 중심으로 한 지도 학습 방식을 사용하므로 클래스 라벨과 같은 교사 신호가 필요하다. 또한 중복 이미지 탐지와 같이 주어지는 입력 이미지의 도메인이 객체·풍경·인물 등과 같은 특정 그룹에 국한되지 않는 일반적인 경우에는 충분한 일반화 성능을 확보하기 힘들다. 이 문제를 해결하기 위해 본 논문 은 최근 주목받는 자기 지도 학습 모델(self-supervised model)을 이용하여 이미지의 특징을 추출하고, 다른 이미 지의 특징과 거리를 비교하는 방법으로 중복 이미지 탐지 하는 방법을 제안한다. 본 논문은 California-ND 데이터 와 MIR-Flickr Near Duplicate(MFND) 데이터를 사용하여 다른 모델과 비교 실험을 수행하였고, 제안하는 방 법이 기존 방법보다 우수한 성능을 내는 것을 확인하였다.