Batch DropBlock 네트워크를 이용한 사람 재식별 및 그 이상의 연구

개인 재식별 작업은 자세 변화와 가림 문제로 인해 종종 주의를 끄는 국소 특징이 CNN 훈련 시 억제되는 경향이 있습니다. 본 논문에서는 전통적인 ResNet-50을 글로벌 브랜치로, 특징 제거 브랜치로 구성된 두 가지 브랜치 네트워크인 Batch DropBlock (BDB) 네트워크를 제안합니다. 글로벌 브랜치는 전체적인 주요 표현을 인코딩합니다. 한편, 특징 제거 브랜치는 배치 내 모든 입력 특징 맵의 같은 영역을 무작위로 제거하여 국소 영역의 주의 특징 학습을 강화하는 Batch DropBlock이라는 주의 특징 학습 모듈로 구성됩니다. 이 네트워크는 두 브랜치에서 추출한 특징을 결합하여 더 포괄적이고 공간적으로 분산된 특징 표현을 제공합니다. 단순함에도 불구하고, 우리 방법은 개인 재식별에서 최신 기술 수준의 성능을 달성하며 일반 메트릭 학습 작업에도 적용할 수 있습니다. 예를 들어, CUHK03-Detect 데이터셋에서 76.4%의 Rank-1 정확도와 Stanford Online Products 데이터셋에서 83.0%의 Recall-1 점수를 달성하여 기존 연구들보다 크게 우수한 성능(6% 이상)을 보여주었습니다.