비디오 개인 재식별을 위한 적응형 그래프 표현 학습

최근 몇 년간 딥러닝 모델이 영상 인물 재식별(Video Person Re-identification, Re-ID) 분야에 적용되면서 놀라운 발전을 이뤄냈다. 영상 인물 Re-ID의 핵심 과제는 다양한 복잡한 상황에서도 구분력 있고 강건한 영상 특징 표현을 효과적으로 구축하는 것이다. 부분 기반 접근법은 공간적 및 시간적 주의 메커니즘을 활용하여 대표적인 국부적 특징을 추출한다. 그러나 기존 방법들은 부분 간 상관관계를 무시하는 경향이 있었다. 이를 보완하기 위해 본 연구에서는 영상 인물 Re-ID를 위한 혁신적인 적응형 그래프 표현 학습 기법을 제안한다. 이 기법은 관련 지역 특징 간의 맥락적 상호작용을 가능하게 한다. 구체적으로, 자세 정렬 연결과 특징 유사도 연결을 활용하여 적응형 구조 인식 인접 그래프를 구성하며, 이는 그래프 노드 간 내재된 관계를 모델링한다. 본 연구에서는 인접 그래프 위에서 특징 전파를 수행하여 지역 특징을 반복적으로 개선하고, 이웃 노드의 정보를 부분 특징 표현에 반영한다. 또한, 보다 컴팩트하고 구분력 있는 표현을 학습하기 위해, 동일한 정체성에 대해 다양한 시간 해상도 간의 일관성을 강제하는 새로운 시간 해상도 인식 정규화 기법을 제안한다. 제안한 방법은 iLIDS-VID, PRID2011, MARS, DukeMTMC-VideoReID 등 네 가지 주요 벤치마크에서 광범위한 실험을 수행하였으며, 경쟁력 있는 성능을 달성하여 본 방법의 효과성을 입증하였다. 코드는 https://github.com/weleen/AGRL.pytorch 에 공개되어 있다.