비대칭 공동 학습을 활용한 비감독형 교차 도메인 인물 재식별

개체 재식별(Person re-identification, re-ID)은 정체성 샘플 간 및 촬영 조건에 따라 큰 변동성이 존재하기 때문에 도전적인 과제이다. 최근 딥러닝 기술의 발전으로 인해 고정된 장면(즉, 소스 도메인)에서는 높은 정확도를 달성하고 있으나, 예측할 수 없는 타겟 도메인에 대해서는 일반화 성능이 여전히 부족한 경우가 많다. 대표적인 해결 방안으로는 클러스터링을 통해 레이블이 없는 타겟 이미지에 가상 레이블(pseudo labels)을 부여한 후 모델을 재학습하는 방법이 있다. 그러나 클러스터링 기법은 노이즈가 많은 레이블을 생성하거나 신뢰도가 낮은 샘플을 이상치(outliers)로 제거하는 경향이 있어, 재학습 과정을 방해하고 일반화 능력을 제한할 수 있다. 본 연구에서는 클러스터링 이후에 명시적인 샘플 필터링 절차를 도입함으로써, 탐지된 예시들을 훨씬 더 효율적으로 활용할 수 있다고 주장한다. 이를 위해, 두 모델이 서로 협력하여 가능한 깨끗한 레이블을 가진 데이터를 선택하도록 하는 비대칭적 공동학습(asymmetric co-teaching) 프레임워크를 제안한다. 동시에, 한 모델은 가능한 한 깨끗한 샘플을 입력받고, 다른 모델은 다양한 샘플을 입력받도록 구성함으로써, 선택된 학습 샘플이 깨끗하고 다양한 특성을 갖도록 유도한다. 이 과정은 두 모델이 반복적으로 서로를 보완하며 성능을 향상시키는 효과를 낳는다. 광범위한 실험 결과는 제안된 프레임워크가 대부분의 클러스터링 기반 방법에 지속적인 이점을 제공하며, 최첨단 적응 정확도를 향상시킨다는 것을 입증한다. 본 연구의 코드는 다음 주소에서 확인할 수 있다: https://github.com/FlyingRoastDuck/ACT_AAAI20.