초록
개인 재식별(개인 재-ID)은 주로 이미지 검색 문제로 여겨집니다. 이 작업의 목적은 대규모 이미지 풀에서 쿼리된 개인을 검색하는 것입니다. 실제로, 개인 재-ID는 일반적으로 자동 감지기를 사용하여 보행자의 크롭된 이미지를 얻는데 이용됩니다. 그러나, 이 과정은 두 가지 유형의 감지기 오류에 의해 영향을 받습니다: 과도한 배경과 부분 누락. 이러한 두 가지 오류는 보행자 정렬의 품질을 저하시키며, 위치와 크기의 변동으로 인해 보행자 매칭이 손상될 수 있습니다. 이러한 정렬 문제를 해결하기 위해, 우리는 정렬이 식별 절차로부터 학습될 수 있다는 제안을 합니다. 우리는 차별적 임베딩 학습과 추가 주석 없이 보행자 정렬을 수행할 수 있는 보행자 정렬 네트워크(PAN)를 소개합니다. 우리의 핵심 관찰 결과는 컨볼루션 신경망(CNN)이 서로 다른 식별자를 구분하는 방법을 학습할 때, 학습된 특징 맵은 배경보다 인간의 몸체에서 강한 활성화를 나타내는 경향이 있다는 것입니다. 따라서 제안된 네트워크는 이러한 주의 메커니즘을 활용하여 바운딩 박스 내에서 보행자를 적응적으로 위치시키고 정렬합니다. 시각적인 예시들은 PAN을 통해 보행자가 더 잘 정렬됨을 보여줍니다. 세 개의 대규모 재-ID 데이터셋에 대한 실험 결과는 PAN이 특징 임베딩의 차별성을 개선하고 최신 기술들과 경쟁력 있는 정확도를 제공함을 확인하였습니다.