자기 유사성 그룹화: 사람 재식별을 위한 간단한 비지도 다중 영역 적응 접근법

도메인 적응(person re-identification, re-ID)은 항상 어려운 과제였습니다. 본 연구에서는 비지도 학습 방식으로 대상 도메인의 샘플에서 존재하는 자연스러운 유사한 특성을 활용하여 사람 재식별을 수행하는 방법을 탐구합니다. 구체적으로, 우리는 전신부터 부분적인 부위까지 비라벨된 샘플들의 잠재적 유사성을 이용하여 다양한 시점에서 여러 클러스터를 자동으로 생성하는 자기유사성 그룹핑(Self-similarity Grouping, SSG) 접근법을 제안합니다. 이러한 독립적인 클러스터들은 라벨이 할당되며, 이는 훈련 과정을 감독하기 위한 가짜 식별자(pseudo identities) 역할을 합니다. 우리는 모델이 안정될 때까지 이러한 그룹핑과 훈련 과정을 반복하고 교차로 수행합니다. 명백한 단순함에도 불구하고, 우리의 SSG는 mAP 측면에서 기존 최고 성능 알고리즘보다 각각 4.6%(DukeMTMC to Market1501)와 4.4%(Market1501 to DukeMTMC) 이상 우수한 성능을 보입니다. 또한, SSG를 기반으로 하여 대상 도메인의 독립적인 식별자 수가 알려지지 않은 개방형 설정(open set setting)에서 원샷 도메인 적응(one-shot domain adaptation)을 수행하기 위한 클러스터링 지도 준지도 접근법(SSG ++)를 소개합니다. 라벨링에 많은 노력을 들이지 않아도, 우리의 SSG ++는 SSG에 비해 mAP를 각각 10.7%와 6.9% 더 향상시킬 수 있습니다. 우리의 코드는 다음 링크에서 확인할 수 있습니다: https://github.com/OasisYang/SSG .