ABD-Net: 주의를 기울이면서도 다양성 있는 사람 재식별

주의 메커니즘이 사람 재식별(Re-ID)에 효과적임이 입증되었습니다. 그러나 학습된 주의 특성 임베딩은 자연스럽게 다양하거나 상관관계가 낮지 않은 경우가 많아, 유클리드 거리를 기반으로 하는 검색 성능을 저하시킬 수 있습니다. 우리는 다양성을 강제하는 것이 주의 메커니즘의 힘을 크게 보완할 수 있다고 주장합니다. 이를 위해, 대표적이고 견고하며 더 구분력 있는 특성을 학습하기 위해 주의 모듈과 다양성 정규화를 전체 네트워크에 원활하게 통합하는 Attentive but Diverse Network (ABD-Net)을 제안합니다. 구체적으로, 채널 집계와 위치 인지를 각각 중점으로 두는 보완적인 주의 모듈 쌍을 소개합니다. 또한, 은닉 활성화와 가중치 모두에 대해 직교성을 강제하는 새로운 효율적인 형태의 직교 제약 조건을 도출하였습니다. 신중한 아바케이션 연구를 통해 제안된 주의 및 다양성 항목이 각각 ABD-Net의 성능 향상에 기여함을 확인하였습니다. 세 개의 유명한 벤치마크에서 ABD-Net은 기존 최신 방법들을 일관되게 능가하였습니다.