하이브리드 피라미드형 그래프 네트워크를 통한 공간적 의미 탐색을 통한 차량 재식별

기존의 차량 재식별 방법은 일반적으로 표준 백본 네트워크를 통해 추출한 특징 맵을 집계하기 위해 공간적 풀링 연산을 사용한다. 그러나 이러한 방법들은 특징 맵의 공간적 의미를 탐색하는 데 소홀하여, 최종적으로 차량 재식별 성능이 저하되는 문제가 있다. 본 논문에서는 먼저, 특징 맵의 공간적 의미를 세밀하게 탐색하기 위한 혁신적인 공간 그래프 네트워크(Spatial Graph Network, SGN)를 제안한다. SGN은 다수의 공간 그래프(Spatial Graph, SG)를 쌓아 구성한다. 각 SG는 특징 맵의 요소를 노드로 설정하고, 공간적 이웃 관계를 기반으로 노드 간의 엣지를 결정한다. SGN의 전파 과정에서, 각 노드와 그 공간적 이웃은 다음 SG로 집계된다. 다음 SG에서는 각 집계된 노드가 학습 가능한 파라미터를 통해 재가중되며, 해당 위치에서의 중요도를 탐색한다. 두 번째로, 다중 스케일에서 특징 맵의 공간적 의미를 종합적으로 탐색하기 위한 새로운 피라미드형 그래프 네트워크(Pyramidal Graph Network, PGN)를 설계한다. PGN은 여러 개의 SGN을 피라미드 구조로 구성하여 각 SGN이 특정 스케일의 특징 맵을 처리하도록 한다. 마지막으로, ResNet-50 기반의 백본 네트워크 뒤에 PGN을 내장하여 하이브리드 피라미드형 그래프 네트워크(Hybrid Pyramidal Graph Network, HPGN)를 개발한다. VeRi776, VehicleID, VeRi-Wild 세 가지 대규모 차량 데이터베이스에서 실시한 광범위한 실험 결과, 제안하는 HPGN이 최신 차량 재식별 기법들보다 우수한 성능을 보임을 입증하였다.