약한 지도 하에서의 사람 재식별: 미분 가능한 그래픽 학습 및 새로운 벤치마크

개인 재식별(Re-ID)은 기존 데이터셋(CUHK03 [1] 및 Market-1501 [2])의 정확한 주석으로부터 크게 이점을 얻습니다. 이러한 주석은 비용이 많이 들기 때문에, 각 이미지에 적절한 라벨을 할당해야 합니다. 본 연구에서는 Re-ID의 주석 작업을 간소화하기 위해 정확한 주석 대신 부정확한 주석을 사용합니다. 즉, 시간 단위로 이미지를 그룹화하여 각 그룹(bag)에 대해 그룹 수준의 라벨을 할당합니다. 이는 주석 작업량을 크게 줄이고, 3만 명 이상의 개인을 포함하는 대규모 Re-ID 벤치마크인 SYSU-30$k$를 생성하게�니다. 새로운 벤치마크는 CUHK03(1,300명)와 Market-1501(1,500명)보다 약 20배 크며, ImageNet(1,000개 카테고리)보다 30배 큰 규모입니다. 총 29,606,918장의 이미지를 포함하고 있습니다. 가방 수준의 주석으로 Re-ID 모델을 학습하는 것은 약간 감독된 Re-ID 문제라고 불립니다. 이 문제를 해결하기 위해, 모든 이미지에서 의존성을 포착하고 각 사람 이미지에 대한 신뢰할 수 있는 의사 라벨(pseudo label)을 생성하는 미분 가능한 그래픽 모델(differentiable graphical model)을 소개합니다. 의사 라벨은 Re-ID 모델 학습의 감독에 사용됩니다. 완전히 감독된 Re-ID 모델들과 비교했을 때, 제안된 방법은 SYSU-30$k$ 및 다른 데이터셋에서 최상의 성능을 보여줍니다. 코드, 데이터셋 및 사전 학습된 모델은 \url{https://github.com/wanggrun/SYSU-30k}에서 제공될 예정입니다.