사람 재식별을 위한 인간 의미 분석

개인 재식별은 배경의 복잡성, 자세, 조명 및 카메라 시점의 변화와 같은 요소들 때문에 주로 어려운 과제입니다. 이러한 요소들은 강건하고 차별적인 표현을 추출하는 과정을 방해하여 서로 다른 개인들을 성공적으로 구분하는 것을 방지합니다. 표현 학습을 개선하기 위해 일반적으로 사람 신체 부위에서 지역 특징을 추출합니다. 그러나 이러한 과정에 대한 일반적인 방법은 바운딩 박스 부분 검출에 기반해 왔습니다. 본 논문에서는 픽셀 수준의 정확도와 임의의 윤곽을 모델링할 수 있는 능력으로 인해 자연스럽게 더 나은 대안이 되는 인간 의미 해석(Human Semantic Parsing)을 채택하도록 제안합니다. 제안된 SPReID는 인간 의미 해석을 개인 재식별에 통합하며, 기존 베이스라인보다 크게 우수한 성능을 보여주며 최신 기술(SOTA) 수준의 성능을 달성하였습니다. 또한 우리는 \textit{단순}하면서도 효과적인 훈련 전략을 사용함으로써, Inception-V3 및 ResNet-152와 같은 표준적인 인기 있는 딥 컨볼루션 아키텍처를 수정하지 않고 전체 이미지만으로 작동시켜도 현재 최신 기술(SOTA)보다 크게 우수한 성능을 낼 수 있음을 보였습니다. 제안된 방법들은 다음과 같이 최신 기술(SOTA) 수준의 개인 재식별 성능을 향상시켰습니다: Market-1501 데이터셋에서 mAP는 약 17%, rank-1은 약 6% 향상되었으며, CUHK03 데이터셋에서 rank-1은 약 4% 향상되었고, DukeMTMC-reID 데이터셋에서는 mAP가 약 24%, rank-1은 약 10% 향상되었습니다.