
본 연구에서는 사람 재식별(re-id) 문제를 해결하기 위해 엔드투엔드 제약 클러스터링 방안을 제안합니다. 최근 깊은 신경망(DNN)이 사람 재식별 작업에서 효과적임이 입증되었습니다. 특히, 프로브-갤러리 유사성만을 활용하는 것이 아니라, 갤러리 이미지들 사이의 유사성을 엔드투엔드 방식으로 확산시키는 것이 강건한 프로브-갤러리 친화도를 얻는 데 효과적임이 증명되었습니다. 그러나 기존 방법들은 프로브 이미지를 제약 조건으로 사용하지 않으며, 유사성 확산 과정에서 노이즈 전파에 취약합니다. 이를 극복하기 위해, 우리는 사람 이미지 검색 문제를 {\em 제약 클러스터링 최적화} 문제로 다루는 독특한 방안인 깊은 제약 우세 집합(deep constrained dominant sets, DCDS)을 제안합니다. 프로브와 갤러리 이미지가 주어졌을 때, 우리는 사람 재식별 문제를 프로브 이미지를 제약 조건(시드)으로 사용하여 동일한 사람이 대응되는 이미지 집합을 찾는 제약 클러스터를 찾는 문제로 다시 정식화합니다. 이 제약 클러스터링을 엔드투엔드 방식으로 최적화함으로써, 주어진 사람 이미지들에 해당하는 이미지 집합의 문맥 지식을 자연스럽게 활용할 수 있습니다. 또한 DCDS와 함께 보조 네트워크(auxiliary net)를 통합하여 성능을 더욱 향상시키며, 이 보조 네트워크는 다중 스케일 Resnet을 사용합니다. 본 방법의 유효성을 검증하기 위해 여러 벤치마크 데이터셋에서 실험 결과를 제시하며, 제안된 방법이 최신 기술들을 능가할 수 있음을 보여줍니다.