다중 세분화를 이용한 사람 재식별을 위한 차별적 특성 학습

전역 특징과 부분 특징의 결합은 사람 재식별(Re-ID) 작업에서 차별화 성능을 향상시키는 필수적인 해결책이었습니다. 이전의 부분 기반 방법들은 주로 특정 사전 정의된 의미를 가진 영역을 찾아 로컬 표현을 학습하는 데 초점을 맞추었는데, 이는 학습 난이도를 증가시키고 큰 변동성이 있는 시나리오에서는 효율적이거나 견고하지 않았습니다. 본 논문에서는 다양한 세분도(granularities)의 차별화 정보를 통합하는 엔드투엔드(end-to-end) 특징 학습 전략을 제안합니다. 우리는 신중하게 전역 특징 표현을 위한 하나의 분기(branch)와 로컬 특징 표현을 위한 두 개의 분기를 포함하는 다중 세분도 네트워크(Multiple Granularity Network, MGN)를 설계하였습니다. 의미 영역에서 학습하는 대신, 이미지를 여러 줄무늬(stripe)로 균일하게 분할하고, 다른 로컬 분기에서 부분 수를 변경하여 다양한 세분도의 로컬 특징 표현을 얻습니다. Market-1501, DukeMTMC-reID 및 CUHK03와 같은 주요 평가 데이터셋에서 수행한 포괄적인 실험 결과, 우리의 방법은 최신 연구 성과(state-of-the-art performances)를 견고하게 달성하였으며, 기존 접근 방식들보다 크게 우월한 성능을 보였습니다. 예를 들어, Market-1501 데이터셋에서 단일 쿼리 모드로 재순위 지정(re-ranking) 후 Rank-1/mAP = 96.6%/94.2%라는 최신 연구 성과를 달성하였습니다.