개인 재식별을 위한 도메인 간격 다리 구축을 위한 Person Transfer GAN

개인 재식별(ReID)의 성능은 크게 향상되었지만, 실제 시나리오에서 많은 도전적인 이슈들이 아직 완전히 조사되지 않았습니다. 예를 들어, 복잡한 환경과 조명 변화, 시점과 자세 변경, 그리고 카메라 네트워크 내에서의 대규모 인원 등이 있습니다. 이러한 문제들을 극복하기 위한 연구를 촉진하기 위해, 본 논문은 MSMT17이라는 새로운 데이터셋을 제시합니다. 이 데이터셋은 다음과 같은 중요한 특징을 가지고 있습니다: 1) 실내와 실외 장면 모두에서 배치된 15개의 카메라 네트워크로 원시 비디오가 촬영되었습니다, 2) 비디오는 긴 기간 동안 촬영되어 복잡한 조명 변화를 보여줍니다, 3) 현재까지 가장 많은 주석이 달린 개인 수를 포함하고 있으며, 즉 4,101명의 개인과 126,441개의 바운딩 박스를 포함하고 있습니다. 또한 우리는 데이터셋 간에 일반적으로 도메인 간극(domain gap)이 존재함을 관찰하였습니다. 이는 다른 데이터셋에서 학습 및 테스트할 때 심각한 성능 저하를 초래하는 근본적인 원인입니다. 이로 인해 사용 가능한 학습 데이터가 새로운 테스트 도메인에 효과적으로 활용되지 못하는 문제가 발생합니다. 새로운 학습 샘플들의 주석 작업 비용을 줄이기 위해, 우리는 도메인 간극을 연결하기 위한 개인 전송 생성적 적대 네트워크(Person Transfer Generative Adversarial Network, PTGAN)를 제안합니다. 포괄적인 실험 결과는 PTGAN을 통해 도메인 간극이 크게 좁혀질 수 있음을 보여주고 있습니다.