🐾 Animal Image Retrieval (CBIR) using Autoencoder(오토인코더)

이 프로젝트는 Convolutional Autoencoder(CAE)를 활용하여 동물 이미지의 핵심 특징(Latent Feature)을 추출하고, 이를 기반으로 유사한 이미지를 검색하는 내용 기반 이미지 검색(Content-Based Image Retrieval, CBIR) 시스템을 구현한 과제입니다.

---

1. 개요

• 목표: 동물 이미지 데이터셋을 학습하여 이미지를 저차원 벡터로 압축하고, 질의(Query) 이미지와 가장 유사한 특징을 가진 이미지를 검색합니다.
• 데이터셋: Animal Faces HQ (AFHQ)
• 주요 라이브러리: PyTorch, torchvision, scikit-learn, matplotlib

---

2. 모델 아키텍처

Encoder

• Input: $512 \times 512 \times 3$ RGB Image
• Layers:
  • 3x3 Conv (Stride 3) $\rightarrow$ MaxPool (2x2)
  • 3x3 Conv (Stride 2) $\rightarrow$ MaxPool (2x1)
  • Flatten $\rightarrow$ Linear ($8 \times 42 \times 42 \rightarrow$ Latent Dim)
• Latent Space: 512차원의 특징 벡터 추출

Decoder

• Layers:
  • Linear $\rightarrow$ Reshape ($8 \times 42 \times 42$)
  • ConvTranspose2d (Stride 2) $\rightarrow$ 85x85
  • ConvTranspose2d (Stride 3) $\rightarrow$ 255x255
  • ConvTranspose2d (Stride 2) $\rightarrow$ 512x512
• Output: $512 \times 512 \times 3$ Reconstructed Image (Tanh Activation)

---

3. 주요 기능

• Feature Extraction: 학습된 인코더를 통해 모든 데이터셋 이미지의 잠재 특징 벡터를 추출하여 인덱싱합니다.
• Similarity Search: torch.cdist를 활용하여 유클리디안 거리(Euclidean Distance)가 가장 가까운 Top-K 이미지를 검색합니다.
• Visualization: 질의 이미지와 검색된 결과를 Grid 형태로 시각화하여 성능을 비교합니다.

---

4. 실행 방법

1. Kaggle API 설정: kaggle.json을 준비하여 opendatasets 라이브러리로 데이터를 다운로드합니다.
2. Preprocessing: $512 \times 512$ 해상도로 리사이즈 및 정규화($[-1, 1]$)를 수행합니다.
3. Training: MSELoss를 사용하여 재구성 오차를 최소화하도록 학습합니다. (추천: 10~20 Epoch)
4. Retrieval: find_similar_images 함수를 호출하여 결과를 확인합니다.

---

5. 결과 시각화 예시