초록
라벨 추정은 비지도 사람 재식별(re-ID) 시스템에서 중요한 구성 요소입니다. 본 논문은 교차 카메라 라벨 추정에 초점을 맞추고 있으며, 이는 이후 특징 학습을 통해 견고한 재식별 모델을 학습하는 데 사용될 수 있습니다. 구체적으로, 각 카메라의 샘플에 대해 그래프를 구성하고, 교차 카메라 라벨링 연관성을 위해 그래프 매칭 방안을 도입합니다. 그러나 기존의 그래프 매칭 방법으로 직접 출력된 라벨은 상당한 교차 카메라 변동성 때문에 노이즈가 많고 정확도가 낮을 수 있습니다. 이에 본 논문에서는 동적 그래프 매칭(DGM) 방법을 제안합니다. DGM은 중간 추정 라벨로 더 나은 특징 공간을 학습하여 이미지 그래프와 라벨 추정 과정을 반복적으로 업데이트합니다. DGM의 장점은 두 가지입니다: 1) 반복을 통해 추정된 라벨의 정확도가 크게 향상됩니다; 2) DGM은 노이즈가 많은 초기 학습 데이터에 견고합니다. 대규모 MARS 데이터셋을 포함한 세 개의 벤치마크에서 수행된 광범위한 실험 결과, DGM이 완전히 지도된 기준 모델과 경쟁력 있는 성능을 보이며, 경쟁하는 비지도 학습 방법들을 능가한다는 것을 확인할 수 있었습니다.