다중 손실 동적 학습을 통한 피라미달 인물 재식별

대부분의 기존 재식별(Re-ID) 방법들은 이미지를 서로 일치시키는 정확한 경계 상자(bounding box)에 크게 의존하고 있습니다. 그러나 실제 환경에서의 어려움으로 인해 현재의 검출 모델은 종종 부정확한 경계 상자를 생성하는데, 이는 불가피하게 기존 Re-ID 알고리즘의 성능을 저하시키는 원인이 됩니다. 본 논문에서는 이러한 경계 상자의 필요성을 완화하기 위해 새로운 거칠기-세밀함 피라미드(coarse-to-fine pyramid) 모델을 제안합니다. 이 모델은 지역적 및 전역적 정보를 통합할 뿐만 아니라, 그 사이의 점진적인 단서들을 통합하여 다중 스케일에서 매칭을 수행하고, 이미지 쌍이 일치하지 않더라도 동일한 신원(identity)의 올바른 이미지를 찾을 수 있습니다. 또한, 차별적인 신원 표현(discriminative identity representation)을 학습하기 위해 두 손실(loss) 간의 적절한 공유 정보를 추출하면서 두 손실을 원활하게 통합하는 동적 훈련 방안(dynamic training scheme)을 탐구하였습니다. 실험 결과는 명확히 제시되며, 제안된 방법이 세 개의 데이터셋에서 최신 연구 결과를 달성하였음을 보여줍니다. 특히, 가장 어려운 CUHK03 데이터셋에서 현재 최고 방법보다 9.5% 우수한 성능을 보였습니다.