매개변수 없는 공간 주의 네트워크를 이용한 사람 재식별

글로벌 평균 풀링(Global Average Pooling, GAP)은 인식을 위한 차별적 정보의 위치를 파악하는 데 도움을 줍니다[40]. GAP는 객체의 가장 차별적인 특징에 주목하도록 컨볼루션 신경망을 돕지만, 카메라 시점 변화 등의 이유로 해당 정보가 부족할 경우 성능 저하를 겪을 수 있습니다. 이러한 문제를 해결하기 위해, 우리는 고차원 특징 간의 공간 관계를 모델링하여 객체의 전반적인 구성을 주목하는 것이 유리하다고 주장합니다. 본 연구에서는 Person Re-Identification을 위한 새로운 아키텍처를 제안하며, 이는 피쳐 맵 활성화 사이의 공간 관계를 모델에 재도입하는 새로운 매개변수 없는 공간 어텐션 레이어를 기반으로 합니다. 제안된 공간 어텐션 레이어는 모델에 없을 때보다 성능을 일관되게 개선시키는 것으로 나타났습니다. 네 가지 벤치마크에서의 결과는 본 모델이 최신 기술보다 우수함을 입증하며, Market-1501에서 94.7%, DukeMTMC-ReID에서 89.0%, CUHK03-labeled에서 74.9%, CUHK03-detected에서 69.7%의 1위 정확도를 달성하였습니다.