초록
주목(attention)은 입력 신호의 가장 정보가 많은 부분에 사용 가능한 자원을 편향시키는 능력 때문에 사람 재식별(reidentification, ReID)에서 더욱 주목받고 있습니다. 그러나 최신 연구들은 공간적 및 채널 주목과 같은 거칠거나 일차적인 주목 설계에만 집중하고 있으며, 고차 주목 메커니즘에 대해서는 거의 탐구하지 않고 있습니다. 우리는 이 문제를 해결하기 위한 단계를 밟습니다. 본 논문에서는 먼저 복잡하고 고차적인 통계 정보를 모델링하고 활용하기 위해 고차 주목(High-Order Attention, HOA) 모듈을 제안합니다. 이를 통해 보행자 간의 미세한 차이를 포착하고 차별화된 주목 제안을 생성할 수 있습니다. 또한 사람 ReID를 제로샷 학습(zero-shot learning) 문제로 재해석하여, 주목 지식의 차별성과 다양성을 명시적으로 강화하는 혼합 고차 주목 네트워크(Mixed High-Order Attention Network, MHN)를 제안합니다. 다양한 최신 방법들과 비교하여 본 MHN의 우수성을 검증하기 위해 세 개의 대규모 데이터셋인 Market-1501, DukeMTMC-ReID 및 CUHK03-NP에서 광범위한 실험을 수행했습니다. 코드는 http://www.bhchen.cn/에서 제공됩니다.