전달 가능한 조인트 속성-신원 심층 학습을 이용한 비지도 사람 재식별

대부분의 기존 사람 재식별(re-id) 방법은 각 카메라 쌍에 대해 별도의 대규모 쌍별 라벨링된 훈련 데이터 세트에서 감독된 모델 학습을 필요로 합니다. 이는 실제로 많은 카메라 뷰를 통해 재식별을 수행해야 하는 대규모 배포에서 그들의 확장성과 사용성을 크게 제한합니다. 이러한 확장성 문제를 해결하기 위해, 우리는 타겟 도메인에서 어떠한 감독된 학습도 없이 기존 데이터셋의 라벨 정보를 새로운 미확인(미라벨링) 타겟 도메인으로 전송하는 새로운 딥러닝 방법을 개발하였습니다. 구체적으로, 우리는 속성-의미적 및 신원-구분적인 특징 표현 공간을 학습하여, 이 공간이 새로운(미확인) 타겟 도메인으로 전송될 수 있도록 설계된 Transferable Joint Attribute-Identity Deep Learning (TJ-AIDL) 방법을 소개합니다. 이 방법은 타겟 도메인에서 새로운 라벨링된 훈련 데이터를 수집할 필요 없이(즉, 타겟 도메인에서 비감독 학습) 재식별 작업에 적용할 수 있습니다. 광범위한 비교 평가를 통해 이 새로운 TJ-AIDL 모델이 VIPeR, PRID, Market-1501, DukeMTMC-ReID 등 네 가지 어려운 벤치마크에서 다양한 최신 방법들보다 우수함을 검증하였습니다.