DARI: 사람 인증을 위한 거리 측정 및 표현 통합

지난 10년 동안 특성 표현 학습과 거리 측정 학습의 급속한 발전을 목격할 수 있었으나, 이 두 단계는 종종 별도로 논의되었습니다. 이러한 상호작용을 탐구하기 위해 본 연구에서는 DARI(거리 측정 및 표현 통합, Distance metric And Representation Integration)라는 이름의 엔드투엔드 학습 프레임워크를 제안하고, 사람 인증이라는 어려운 과제에서 DARI의 효과성을 검증합니다. 훈련 이미지에 라벨이 부여된 상태에서, 먼저 대규모 트립렛 유닛을 생성하며, 각 유닛은 세 개의 이미지를 포함합니다. 즉, 한 사람과 일치하거나 불일치하는 참조 이미지가 포함됩니다. 각 트립렛 유닛에 대해 일치하는 쌍과 불일치하는 쌍 사이의 거리 차이는 최대화되어야 합니다. 우리는 이를 달성하기 위해 컨볼루션 신경망의 깊은 구조를 구축하여 해결합니다. 특히, 마할라노비스 거리 행렬은 자연스럽게 최상위 완전 연결 계층으로 분해되며, 이는 이미지 특성을 나타내는 다른 하위 계층들과 원활하게 통합됩니다. 따라서 이미지 특성과 거리 측정은 단일 역전파를 통해 동시에 최적화될 수 있습니다. 여러 공개 데이터셋에서 DARI는 다양한 도전 과제에도 불구하고 카메라 간 개인 재식별에서 매우 유망한 성능을 보였으며, 다른 최신 접근법들을 능가하였습니다.