사람 검색을 위한 공동 탐지 및 식별 특성 학습

기존의 사람 재식별 벤치마크와 방법들은 주로 쿼리와 후보 사이에서 잘라낸 보행자 이미지를 매칭하는 데 초점을 맞추고 있습니다. 그러나 이는 실제 상황과 다르며, 실제에서는 보행자의 경계 상자가 주어지지 않고 전체 장면 이미지 갤러리에서 목표 인물을 검색해야 합니다. 이러한 차이를 줄이기 위해 우리는 새로운 딥 러닝 프레임워크를 제안합니다. 보행자 탐지와 사람 재식별을 두 개의 별도의 작업으로 분리하지 않고, 단일 합성곱 신경망에서 양쪽 측면을 동시에 처리합니다. 효과적인 네트워크 학습을 위해 온라인 인스턴스 매칭 (OIM) 손실 함수를 제안합니다. 이 손실 함수는 많은 수의 식별자들이 있는 데이터셋에 확장 가능합니다. 우리의 접근법을 검증하기 위해, 우리는 대규모 벤치마크 데이터셋을 수집하고 주석화했습니다. 이 데이터셋은 18,184개의 이미지, 8,432명의 식별자, 그리고 96,143개의 보행자 경계 상자를 포함하고 있습니다. 실험 결과, 우리의 프레임워크는 다른 별도 접근법들보다 우수한 성능을 보였으며, 제안된 OIM 손실 함수는 기존 소프트맥스 (Softmax) 손실 함수보다 훨씬 더 빠르고 좋게 수렴하는 것으로 나타났습니다.