비감독 자세 분리 및 적응을 통한 다중 데이터셋 인물 재식별

사람 재식별(Person re-identification, re-ID)은 서로 다른 카메라에서 촬영된 이미지에서 동일한 사람을 식별하는 것을 목표로 한다. 이 도전적인 과제를 해결하기 위해 기존의 re-ID 모델들은 일반적으로 대량의 레이블링된 학습 데이터에 의존하지만, 이는 실세계 응용에 있어서 실용적이지 못하다. 이러한 제약을 완화하기 위해 연구자들은 레이블이 부여된 소스 도메인 데이터셋이 주어졌을 때, 레이블이 없는 타겟 도메인에 대해 일반화된 구별 능력을 갖추는 것을 목표로 하는 크로스-데이터셋 재식별(cross-dataset re-ID)에 주목하고 있다. 이러한 목표를 달성하기 위해 본 연구에서는 자세(pose)와 도메인 정보가 적절히 분리된 깊은 이미지 표현을 학습하는 Pose Disentanglement and Adaptation Network(PDA-Net)을 제안한다. 학습된 도메인 간 자세 불변 특징 공간을 기반으로, PDA-Net은 사람의 정체성에 대한 지도 없이도 서로 다른 도메인 간에 자세를 분리할 수 있으며, 그 결과로 생성된 특징은 크로스-데이터셋 재식별에 효과적으로 활용될 수 있다. 두 가지 벤치마크 데이터셋에서의 정성적 및 정량적 실험 결과를 통해 본 방법의 효과성과 기존 최고 수준의 크로스-데이터셋 재식별 기법들에 비한 우수성을 입증하였다.