카메라 기반 배치 정규화를 활용한 개인 재식별의 분포 차이 재검토

개인 재식별(ReID)의 근본적인 어려움은 개별 카메라 간의 대응 관계를 학습하는 데 있습니다. 이는 비용이 많이 드는 카메라 간 주석을 요구하지만, 학습된 모델이 이전에 본 적 없는 카메라로 잘 전달될 보장이 없습니다. 이러한 문제들은 ReID의 적용 범위를 크게 제한합니다. 본 논문에서는 기존 ReID 접근 방식의 작동 메커니즘을 재고하고 새로운 해결책을 제시합니다. Camera-based Batch Normalization(CBN)이라는 효과적인 연산자를 통해 모든 카메라의 이미지 데이터가 동일한 부분 공간에 위치하도록 강제하여, 어떤 카메라 쌍 사이에도 존재하는 분포 차이를 크게 줄입니다. 이러한 정렬은 두 가지 이점을 가져옵니다. 첫째, 학습된 모델은 이전에 본 적 없는 카메라가 포함된 다양한 시나리오에서 더 우수한 일반화 능력을 갖추며, 여러 학습 세트 간의 전송도 향상됩니다. 둘째, 교차 카메라 정보 부족으로 인해 그 가치가 과소평가되었던 카메라 내 주석을 활용하여 경쟁력 있는 ReID 성능을 달성할 수 있습니다. 다양한 ReID 작업에 대한 실험 결과가 우리의 접근 방식의 효과성을 입증합니다. 코드는 https://github.com/automan000/Camera-based-Person-ReID에서 확인할 수 있습니다.