Multimodal Retrieval
Object-centric Image-Text Retrieval
이미지-텍스트 검색을 장면 설명이 아니라 객체, 속성, 공간관계 중심 문제로 재정의하고 학습 데이터 생성부터 평가까지 연결한 사례입니다.
A case that reframed image-text retrieval around objects, attributes, and spatial relations, then connected data generation through evaluation.

문제
Problem
장면 수준 캡션은 검색 구분력이 약합니다. 실제 검색에서는 객체의 종류, 속성, 배치, 유사하지만 정답이 아닌 후보를 구분할 수 있어야 합니다.
Scene-level captions are weak for retrieval discrimination. Real search needs to distinguish object types, attributes, layouts, and visually similar non-matches.
설계
Design
- 객체 중심 캡션과 속성 중심 텍스트를 생성해 image-text pair를 구성했습니다.
- Generated object-centric captions and attribute-focused text to build image-text pairs.
- 유사하지만 정답이 아닌 hard negative를 포함해 decision boundary를 강화했습니다.
- Added hard negatives that are similar but incorrect to sharpen the decision boundary.
- Recall@K를 Text-to-Image와 Image-to-Text 양방향 품질 지표로 사용했습니다.
- Used Recall@K for both text-to-image and image-to-text retrieval quality.
기여
Contribution
검색 문제를 모델 선택이 아니라 데이터 설계 문제로 구조화하고, 캡션 생성, negative mining, 학습, 평가 흐름을 하나로 정리했습니다.
Structured retrieval as a data-design problem, connecting caption generation, negative mining, training, and evaluation into one workflow.