AD-Cluster: 도메인 적응형 인물 재식별을 위한 증강된 구분형 클러스터링

도메인 적응(person re-identification, re-ID)은 특히 타겟 도메인의 사람 정체성이 알려지지 않은 경우 매우 도전적인 과제이다. 기존의 방법들은 이미지 스타일을 전이하거나 도메인 간 특징 분포를 정렬함으로써 이 문제를 해결하려 노력하지만, 타겟 도메인에 존재하는 풍부한 레이블 없는 샘플들이 충분히 활용되지 않고 있다. 본 논문은 타겟 도메인 내 사람 클러스터를 추정하고 증강하며, 증강된 클러스터를 통해 re-ID 모델의 구분 능력을 강화하는 새로운 증강적 구분 클러스터링(AD-Cluster) 기법을 제안한다. AD-Cluster는 반복적인 밀도 기반 클러스터링, 적응형 샘플 증강, 그리고 구분형 특징 학습을 통해 훈련된다. 이는 샘플 공간 내 클러스터 내 다양성을 최대화하고, 특징 공간 내 클러스터 내 거리를 최소화하는 방식으로, 적대적 min-max 구조를 기반으로 이미지 생성기와 특징 인코더를 동시에 학습한다. 최종적으로 AD-Cluster는 샘플 클러스터의 다양성을 크게 증가시키고, re-ID 모델의 구분 능력을 향상시킨다. Market-1501과 DukeMTMC-reID에서 실시한 광범위한 실험 결과, AD-Cluster는 최첨단 기법들을 크게 앞서는 성능을 보였다.