Omni-Scale Feature Learning for Person Re-Identification 전체 스케일 특성 학습을 이용한 사람 재식별

개체 수준 인식 문제로서, 사람 재식별(ReID)은 서로 다른 공간 스케일뿐만 아니라 여러 스케일의 임의 조합을 캡슐화하는 차별적 특징에 의존합니다. 우리는 동질적 및 이질적 스케일의 특징을 옴니스케일 특징이라고 부릅니다. 본 논문에서는 이러한 옴니스케일 특징 학습을 위한 새로운 딥 ReID CNN인 옴니스케일 네트워크(OSNet)를 설계하였습니다. 이를 위해 여러 개의 컨볼루션 스트림으로 구성된 잔차 블록을 설계하였으며, 각 스트림은 특정 스케일에서 특징을 감지합니다. 특히, 입력에 따라 채널별로 가중치를 동적으로 결합하는 새로운 통합 집계 게이트가 도입되었습니다. 공간-채널 상관관계를 효율적으로 학습하고 과적합을 피하기 위해, 기본 블록은 포인트와이즈 컨볼루션과 깊이와이즈 컨볼루션을 사용합니다. 이러한 블록을 층별로 쌓음으로써, 우리의 OSNet은 매우 경량화되어 기존 ReID 벤치마크에서 처음부터 훈련될 수 있습니다. 모델 크기가 작음에도 불구하고, OSNet은 여섯 개의 사람 ReID 데이터셋에서 최고 수준의 성능을 달성하여 대부분의 대형 모델들을 명확한 마진으로 능가하였습니다. 코드와 모델은 다음 주소에서 제공됩니다: \url{https://github.com/KaiyangZhou/deep-person-reid}.