비디오 복사 탐지를 위한 효율적인 논리 게이트 네트워크

비디오 복사 탐지(Video Copy Detection)는 다양한 시각적 왜곡(visual distortions) 하에서 강력한 유사성 추정(similarity estimation)을 요구하며, 매우 큰 규모로 작동해야 합니다. 딥 신경망(deep neural networks)은 높은 성능을 달성하지만, 계산 비용(computational cost)과 디스크립터 크기(descriptor size)가 고처리량 시스템(high-throughput systems)에서의 실제 배포를 제한합니다. 본 연구에서는 이산화 가능한 논리 게이트 네트워크(differentiable Logic Gate Networks, LGNs) 기반의 비디오 복사 탐지 프레임워크를 제안하며, 이는 기존 부동 소수점(floating-point) 특징 추출기(feature extractors)를 작고 논리 기반의 표현(logic-based representations)으로 대체합니다. 저희 접근 방식은 공격적인 프레임 축소화(aggressive frame miniaturization), 이진 전처리(binary preprocessing), 그리고 논리 연산(logical operations)과 상호 연결(interconnections)을 모두 학습하는 훈련 가능한 LGN 임베딩 모델을 결합합니다. 훈련 후, 이 모델은 순수하게 부울 회로(Boolean circuit)로 이산화될 수 있어 극도로 빠르고 메모리 효율적인 추론(inference)이 가능합니다. 저희는 여러 데이터셋 폴드(dataset folds)와 난이도 수준에 걸쳐 다양한 유사성 전략(similarity strategies), 이진화 방식(binarization schemes), 그리고 LGN 아키텍처를 체계적으로 평가했습니다. 실험 결과는 LGN 기반 모델이 이전 모델과 비교하여 경쟁적이거나 우수한 정확도 및 순위 성능을 달성하는 동시에, 디스크립터 크기는 여러 자릿수(orders of magnitude) 작고 초당 11k 샘플을 초과하는 추론 속도를 제공함을 입증합니다. 이러한 발견은 논리 기반 모델이 확장 가능하고 자원 효율적인 비디오 복사 탐지를 위한 유망한 대안임을 시사합니다.