초록
개인 재식별(Re-ID)은 딥 러닝과 대량의 라벨링된 훈련 데이터를 통해 큰 발전을 이룩했습니다. 그러나, 라벨링된 데이터가 있는 소스 도메인에서 훈련된 모델을 오직 라벨링되지 않은 데이터만 있는 타겟 도메인으로 적응시키는 것은 여전히 어려운 과제입니다. 본 연구에서는 타겟 데이터셋에서 점진적으로 모델 성능을 개선하기 위해 진행적 증강 프레임워크(PAST)를 활용한 자기 학습 방법을 개발하였습니다. 특히, 제안하는 PAST 프레임워크는 보수적 단계와 진보적 단계로 구성됩니다. 보수적 단계에서는 트리플렛 기반 손실 함수를 사용하여 타겟 도메인 데이터 포인트의 국소 구조를 포착하여 특징 표현을 개선합니다. 진보적 단계에서는 모델의 마지막 층에 변경 가능한 분류층을 추가하여 네트워크를 지속적으로 최적화하며, 이를 통해 데이터 분포에 대한 전역 정보를 활용할 수 있게 합니다. 중요한 점은, 보수적 단계와 진보적 단계를 번갈아 가며 적용함으로써 모델 능력을 점진적으로 강화하는 새로운 자기 학습 전략을 제안한다는 것입니다. 또한, 선택된 트리플렛 샘플의 신뢰성을 개선하기 위해 보수적 단계에서 순위 기반 트리플렛 손실 함수를 도입하였습니다. 이는 라벨이 없는 목적 함수로, 데이터 쌍 간의 유사성에 기반합니다. 실험 결과, 제안된 방법이 비지도 교차 도메인 설정 하에서 최고 수준의 개인 Re-ID 성능을 달성함을 입증하였습니다. 코드는 다음 주소에서 확인 가능합니다: https://tinyurl.com/PASTReID