초록
다중 카메라 검색 작업인 사람 재식별은 다른 카메라로 인해 발생하는 이미지 스타일 변동으로 인해 어려움을 겪습니다. 이 문제는 카메라에 독립적인 설명자 하위 공간을 학습함으로써 암시적으로 해결되었습니다. 본 논문에서는 이 도전 과제를 명시적으로 다루기 위해 카메라 스타일(CamStyle) 적응을 소개합니다. CamStyle은 데이터 증강 방법으로서, 카메라 간의 스타일 차이를 완화할 수 있습니다. 구체적으로, CycleGAN을 사용하여 라벨된 훈련 이미지를 각 카메라 스타일로 전환시키고, 원래 훈련 샘플과 함께 증강된 훈련 세트를 형성합니다. 이 방법은 과적합을 방지하기 위해 데이터 다양성을 증가시키지만, 동시에 상당한 수준의 노이즈도 유발합니다. 노이즈의 영향을 완화하기 위해 라벨 스무딩 정규화(LSR)를 채택하였습니다. LSR 없이 기본 버전의 우리 방법은 과적합이 자주 발생하는 소수의 카메라 시스템에서 상당히 좋은 성능을 보입니다. LSR를 사용하면 모든 시스템에서 일관된 개선 효과를 보이는 것으로 확인되었습니다. 또한 최신 기술과 비교하여 경쟁력 있는 정확도를 보고하고 있습니다.