속성과 식별 학습을 통한 사람 재식별 개선

개인 재식별(re-ID)과 속성 인식은 보행자 설명을 학습하는 공통 목표를 가지고 있습니다. 이들의 차이는 세부 수준(granularity)에 있습니다. 기존의 대부분 re-ID 방법들은 보행자의 신원 라벨만 고려합니다. 그러나 우리는 속성들이 상세한 지역적 설명을 포함하고 있어, re-ID 모델이 더 구분력 있는 특징 표현을 학습하는 데 유익하다는 것을 발견했습니다. 본 논문에서는 속성 라벨과 ID 라벨의 보완성을 바탕으로, re-ID 임베딩을 학습하면서 동시에 보행자 속성을 예측하는 다중 작업 네트워크인 속성-개인 인식(APR) 네트워크를 제안합니다. 우리는 두 개의 대규모 re-ID 데이터셋에 대해 속성 라벨을 수동으로 주석을 달았으며, 개인 재식별과 속성 인식이 서로에게 어떻게 도움이 되는지를 체계적으로 조사했습니다. 또한, 속성들 간의 의존성과 상관관계를 고려하여 속성 예측 값을 재가중(re-weight)하였습니다. 두 개의 대규모 re-ID 벤치마크에서 수행된 실험 결과는 더 구분력 있는 표현을 학습함으로써 APR가 최신 방법들과 비교해 경쟁력 있는 re-ID 성능을 달성한다는 것을 입증하였습니다. 우리는 APR를 사용하여 Market-1501에서 검색 과정을 10배 가속화하면서 정확도가 2.92% 감소하는 정도로 미미한 정확도 하락을 초래했습니다. 또한, APR를 속성 인식 작업에도 적용하여 기준선(baselines)보다 향상된 결과를 보여주었습니다.