온라인 관계 정규화를 통한 구조적 도메인 적응: 비지도 인물 재식별을 위한 접근

비지도 도메인 적응(UDA, Unsupervised Domain Adaptation)은 레이블이 붙은 소스 도메인 데이터셋에서 학습된 모델을 레이블이 없는 타겟 도메인 데이터셋에 적응시키는 것을 목표로 한다. 오픈셋 인물 재식별(re-ID, person re-identification)에서의 UDA 작업은 두 도메인 간에 정체성(클래스)이 완전히 겹치지 않기 때문에 더욱 도전적인 과제이다. 기존 주요 연구 방향 중 하나는 도메인 번역 기반 접근법이었으나, 최근에는 가짜 레이블 기반 방법에 비해 성능이 열등하다는 이유로 인해 인기가 떨어졌다. 본 연구에서는 도메인 번역 기법이 소스 도메인 데이터의 유용한 정보를 효과적으로 활용할 잠재력을 지니고 있음을 주장하며, 기존 방법들이 번역 과정에 적절한 정규화를 제공하지 못했다는 점을 지적한다. 구체적으로 기존 방법들은 번역된 이미지의 정체성 유지에만 초점을 맞추고, 번역 과정 중 샘플 간 관계를 고려하지 않았다. 이러한 문제를 해결하기 위해, 실시간 샘플 간 관계 일관성 정규화 항을 포함한 엔드투엔드 구조적 도메인 적응 프레임워크를 제안한다. 학습 과정에서 인물 특징 인코더는 샘플 간 관계를 실시간으로 모델링하여 관계 일관성 유지 번역을 감독하며, 이는 정보가 풍부한 번역된 이미지를 통해 인코더의 성능을 향상시킨다. 이후 가짜 레이블을 활용하여 인코더를 추가로 개선할 수 있으며, 소스에서 타겟으로 번역된 이미지(진짜 레이블 보유)와 타겟 도메인 이미지(가짜 레이블 보유)를 함께 사용하여 공동 학습한다. 실험 결과, 제안하는 프레임워크는 여러 UDA 기반 인물 재식별 작업에서 최신 기술 수준의 성능을 달성함을 입증하였다. 특히 구조적 도메인 번역 네트워크를 통해 생성한 합성 이미지에서 실재 이미지로의 번역 결과를 활용하여, 2020년 Visual Domain Adaptation Challenge (VisDA)에서 2위를 기록하였다.