일반화 가능한 사람 재식별을 위한 스타일 정규화 및 복원

기존의 완전 지도형 사람 재식별(ReID) 방법들은 일반적으로 도메인 간의 차이로 인해 빈약한 일반화 능력을 겪습니다. 이 문제를 해결하는 핵심은 신원과 관련 없는 간섭을 필터링하고 도메인 간 변동에 영향을 받지 않는 사람 표현을 학습하는 데 있습니다. 본 논문에서는 소스 도메인에서 모델을 훈련시키되 타겟 도메인에서도 잘 일반화할 수 있는 사람 ReID 프레임워크를 설계하는 것을 목표로 합니다. 이를 달성하기 위해, 우리는 단순하면서도 효과적인 스타일 정규화 및 복원(SNR) 모듈을 제안합니다. 구체적으로, 인스턴스 정규화(IN)를 통해 조명, 색상 대비 등의 스타일 변동을 필터링합니다. 그러나 이러한 과정은 불가피하게 차별적 정보를 제거하게 됩니다. 우리는 제거된 정보에서 신원과 관련된 특징을 추출하여 네트워크에 다시 통합함으로써 높은 차별성을 유지하도록 제안합니다. 더 나은 분리성을 위해, SNR에서 쌍방향 인과 손실 제약을 적용하여 신원과 관련된 특징과 신원과 관련 없는 특징의 분리를 유도합니다. 광범위한 실험 결과는 우리의 프레임워크가 강력한 일반화 능력을 가지고 있음을 입증하였습니다. SNR 모듈을 활용한 우리의 모델들은 여러 널리 사용되는 사람 ReID 벤치마크에서 최신의 도메인 일반화 접근법들을 크게 능가하며, 비지도형 도메인 적응에서도 우수한 성능을 보여주었습니다.