Part Models를 넘어서: 정교한 부분 풀링을 이용한 사람 검색 (강력한 컨볼루션 기반 모델과 함께)

보행자 이미지 설명에 부분 수준 특징을 활용하면 세부적인 정보를 제공하며, 최근 연구 문헌에서 개인 검색(person retrieval)에 유익하다는 것이 확인되었다. 부분 발견의 전제 조건은 각 부분이 정확히 위치되어야 한다는 것이다. 포즈 추정 등의 외부 신호를 사용하여 직접적으로 부분을 위치시키는 대신, 이 논문은 각 부분 내의 내용 일관성(content consistency)에 중점을 둔다.구체적으로, 우리는 개인 검색을 위한 차별화된 부분 정보 특징(part-informed features) 학습을 목표로 두 가지 기여를 하였다. (i) Part-based Convolutional Baseline(PCB)이라는 네트워크. 이미지를 입력으로 주면 여러 개의 부분 수준 특징으로 구성된 합성곱 설명자를 출력한다. 균일한 분할 전략을 사용함으로써 PCB는 최신 방법들과 경쟁력 있는 결과를 달성하였으며, 개인 검색을 위한 강력한 합성곱 기반 모델임을 입증하였다.(ii) 정교한 부분 풀링(refined part pooling, RPP) 방법. 균일한 분할은 필연적으로 각 부분에 이상치(outliers)를 발생시키는데, 이러한 이상치들은 실제로 다른 부분과 더 유사하다. RPP는 이러한 이상치들을 가장 가까운 부분으로 재할당하여, 부품 내 일관성이 향상된 정교한 부품을 생성한다. 실험 결과 RPP가 PCB의 성능 향상을 더욱 촉진한다는 것이 확인되었다. 예를 들어, Market-1501 데이터셋에서 (77.4+4.2)% mAP와 (92.3+1.5)% rank-1 정확도를 달성하여 최신 방법들보다 크게 앞섰다.