본 논문은 기존 삼중항 손실(Triplet Loss)이 다중 작업 시나리오에서 이용 가능한 모든 정보를 활용하지 못하는 점을 개선하기 위해, 클래스 레이블과 함께 바운딩 박스 정보와 같은 추가적인 어노테이션을 손실 함수에 통합하는 다중 어노테이션 삼중항 손실(MATL) 프레임워크를 제시합니다. MATL은 상호 보완적인 어노테이션을 활용하여 분류와 위치 확인이 모두 필요한 작업에 대한 다중 작업 학습을 향상시킵니다. 항공 야생 동물 이미지 데이터셋을 이용한 실험 결과, MATL이 기존 삼중항 손실보다 분류 및 위치 확인 모두에서 우수한 성능을 보임을 보여줍니다. 이는 다중 작업 학습 프레임워크에서 이용 가능한 모든 어노테이션을 삼중항 손실에 활용하는 것이 유익함을 강조합니다.
