초록
대부분의 기존 사람 재식별(re-id) 방법은 각 카메라 쌍에 대한 수동으로 라벨링된 페어 데이터를 사용하여 지도 학습 모델을 구축하는 것을 기반으로 합니다. 이는 실제 re-id 배포에서 모든 카메라 쌍에 대해 양성 및 음성 이미지 페어의 완전한 정체성 라벨링이 부족하기 때문에 확장성이 떨어집니다. 본 연구에서는 비지도 re-id 딥러닝 접근법을 제시합니다. 이 방법은 자동 생성된 사람 추적 데이터에서 잠재적인 re-id 판별 정보를 단계적으로 발견하고 활용할 수 있습니다. 우리는 비지도 추적 연관 학습(Unsupervised Tracklet Association Learning, UTAL) 프레임워크를 제안합니다. 이 프레임워크는 카메라 내 추적 판별과 카메라 간 추적 연관을 동시에 학습하여, 카메라 뷰 내외에서 추적 정체성 매칭을 최대화하는 것을 목표로 합니다. 광범위한 실험 결과가 제안된 모델이 8개 벤치마킹 데이터셋에서 최신 비지도 학습 및 도메인 적응 사람 재식별 방법보다 우수함을 입증하였습니다.