개인 재식별을 위한 부분 수준 해상도를 갖춘 다양한 특징 학습

사람 재식별(person re-identification)에서 다양한 특징을 학습하는 것은 성공의 핵심 요소이다. 다양한 부분 기반 방법들이 국부적 표현을 학습하기 위해 광범위하게 제안되어 왔지만, 여전히 최고 성능을 발휘하는 방법들에 비해 열등한 성능을 보이고 있다. 본 논문은 옴니스케일 네트워크(Omni-Scale Network, OSNet)의 파트 레벨 특징 해상도(part-level feature resolution) 개념을 기반으로, 특징 다양성을 달성하기 위해 강력하면서도 가벼운 네트워크 아키텍처인 PLR-OSNet을 제안한다. 제안된 PLR-OSNet은 전역 특징 표현을 위한 하나의 브랜치와 국부적 특징 표현을 위한 다른 하나의 브랜치를 가지며, 국부적 브랜치는 파트 레벨 특징 해상도를 위해 균일한 분할 전략(uniform partition strategy)을 사용한다. 그러나 기존의 부분 기반 방법들과는 달리, 단일한 정체성 예측 손실(identity-prediction loss)만을 생성한다. 실험적 증거는 PLR-OSNet이 작고 효율적인 모델 크기를 가짐에도 불구하고, Market1501, DukeMTMC-reID, CUHK03 등 주요 사람 재식별 데이터셋에서 최첨단 성능을 달성함을 보여준다.