일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | |
7 | 8 | 9 | 10 | 11 | 12 | 13 |
14 | 15 | 16 | 17 | 18 | 19 | 20 |
21 | 22 | 23 | 24 | 25 | 26 | 27 |
28 | 29 | 30 | 31 |
- nodejs
- JavaScript
- spring cloud
- log_bin
- Express
- mysql 5.5
- eslint
- regex
- migration
- current_date
- upgrade
- Effective Java 3/e
- java
- git
- npm
- Effective Java
- Node
- log4j2
- Spring Batch
- 퀵소트
- expire_logs_days
- REACTJS
- MySQL
- spring
- 정규표현식
- Chunk
- update
- Regular expression
- try catch
- REACT
- Today
- Total
내 세상
[Computer Vision] Similarity Measurement in Image Retrieval 본문
[Computer Vision] Similarity Measurement in Image Retrieval
sga8 2019. 4. 30. 19:51Image Retrieval
- 이미지 검색
Person Re-Identification과 같은 유사 여부를 판단하기 위해선 'Similarity' 또는 'Distance'를 계산해야 한다.
similarity/distance를 구하는 방법은 다양하지만, 그 중 Euclidean Distance와 Cosine Distance 등이 있다.
이러한 함수를 Metric이라 표현한다.
Metric
- 집합 내 한 쌍의 원소의 거리를 측정하는 함수
- metric f(x, y)는 항상 아래의 4가지 조건에 만족해야 한다.
1. Non-negativity : f(x, y) >= 0
2. Identity of Discernible : f(x, y) = 0 <=> x = y
3. Symmetry : f(x, y) = f(y, x)
4. Triangle Inequality : f(x, z) <= f(x, y) + f(y, z)
이러한 Metrics는 2가지 종류가 있다.
1. Pre-defined Metrics
- data에 대한 사전 정보 없이 완전히 지정된 metrics
- E.g. Euclidean Distance
2. Learned Metrics
- data에 대한 사정 정보로 정의할 수 있는 metrics
- E.g. Mahalanobis Distance
→ Euclidean Distance에서 루트 안의 식에서 M만 추가된 형태
→ M은 data들로부터 추정된 matrix
- 2가지 형태
- Supervised : labeled data 활용
- Unsupervised : unlabeled data 활용