각도 정규화를 통한 시점 인지 손실을 활용한 사람 재식별

최근 감독형 사람 재식별(Person Re-identification, Re-ID) 분야에서 큰 진전이 이루어졌지만, 사람의 시점(Viewpoint) 변화로 인해 여전히 막대한 시각적 도전 과제가 남아 있다. 기존의 시점 기반 사람 Re-ID 방법들은 각 시점에서의 이미지를 별개이면서 관련성이 없는 하위 특징 공간으로 매핑한다. 이러한 방법들은 단일 시점 내에서 정체성 수준의 분포만을 모델링할 뿐, 서로 다른 시점 간의 내재적 관계를 간과한다. 이 문제를 해결하기 위해, 우리는 새로운 접근 방식인 \textit{Viewpoint-Aware Loss with Angular Regularization}(\textbf{VA-reID})를 제안한다. 각 시점에 대해 별도의 하위 공간을 사용하는 기존 방식과 달리, 본 연구는 다양한 시점에서의 특징을 통합된 초구면(Hypersphere)에 매핑함으로써 정체성 수준과 시점 수준 모두에서 특징 분포를 효과적으로 모델링한다. 또한, 기존의 시점 분류에서 사용하는 고정된 하드 레이블(Hard Label)이 아닌, 시점 인식적 적응형 레이블 스무딩 정규화(VALSR, Viewpoint-Aware Adaptive Label Smoothing Regularization)를 도입하여 특징 표현에 적응형 소프트 레이블을 할당한다. 이로 인해 시점 클러스터 레이블 할당 시 발생하는 모호성 문제를 효과적으로 해결할 수 있다. Market1501 및 DukeMTMC-reID 데이터셋에서 실시한 광범위한 실험을 통해 제안하는 방법이 최신 감독형 Re-ID 방법들을 모두 상회함을 입증하였다.