학습을 통한 기억에서의 불변성 적응을 위한 사람 재식별

본 연구는 사람 재식별(re-ID)에서 비지도 도메인 적응 문제를 다루며, 이는 소스 도메인에서 대상 도메인으로 지식을 전송하는 것을 목표로 합니다. 기존 방법들은 주로 도메인 간의 차이를 줄이는 데 초점을 맞추고 있지만, 종종 대상 샘플들 사이의 관계를 간과합니다. 본 논문은 대상 도메인 내의 변동성을 조사하고, 예제 불변성(Exemplar-Invariance), 카메라 불변성(Camera-Invariance), 이웃 불변성(Neighborhood-Invariance)이라는 세 가지 기본적인 불변성을 고려한 새로운 적응 프레임워크를 제안합니다. 구체적으로, 샘플들의 특징을 저장하기 위해 예제 메모리가 도입되었습니다. 이는 전체 데이터셋에 대해 효과적이고 효율적으로 불변성 제약을 강제할 수 있습니다. 또한, 메모리를 기반으로 하여 소스 샘플에서 학습된 그래프 기반 양성 예측(Graph-based Positive Prediction, GPP) 방법을 제시하여 대상 도메인의 신뢰할 수 있는 이웃을 탐색합니다. 실험 결과는 다음과 같습니다: 1) 세 가지 불변성 속성은 효과적인 도메인 적응에 있어 필수적이며, 2) 메모리는 불변성 학습을 수행하는 데 중요한 역할을 하며 추가 계산 비용이 거의 발생하지 않으면서 성능을 향상시키며, 3) GPP는 불변성 학습을 촉진하여 결과를 크게 개선하며, 4) 우리의 접근법은 세 개의 대규모 re-ID 벤치마크에서 새로운 최고 수준의 적응 정확도를 달성하였습니다.