초록
비감독(person) 재식별(ReID)의 과제는 진정한 레이블 없이 구분 가능한 특징을 학습하는 데 있다. 본 논문은 비감독 person ReID 문제를 점진적으로 진정한 레이블을 탐색하는 다중 레이블 분류 문제로 재정의한다. 제안하는 방법은 각 사람 이미지에 단일 레이블을 부여하는 것으로 시작하여, 업데이트된 ReID 모델을 활용해 레이블 예측을 수행함으로써 다중 레이블 분류로 발전시킨다. 레이블 예측 과정은 유사도 계산과 사이클 일관성(cycle consistency)을 포함하여 예측 레이블의 품질을 보장한다. 다중 레이블 분류에서 ReID 모델의 학습 효율성을 향상시키기 위해, 본 논문은 메모리 기반 다중 레이블 분류 손실(Memory-based Multi-label Classification Loss, MMCL)을 추가로 제안한다. MMCL은 메모리 기반 비매개변수 분류기와 함께 작동하며, 다중 레이블 분류와 단일 레이블 분류를 통합된 프레임워크 내에서 조화롭게 통합한다. 본 논문의 레이블 예측 기법과 MMCL은 반복적으로 상호작용하며 ReID 성능을 크게 향상시킨다. 다양한 대규모 person ReID 데이터셋에 대한 실험을 통해 제안 방법이 비감독 person ReID에서 우수한 성능을 보임을 입증하였다. 또한 본 방법은 다른 도메인의 레이블이 부여된 사람 이미지를 활용할 수 있는 전이 학습(transfer learning) 설정에서도 상태 최신(SOTA) 성능을 달성한다.