다중 도메인 인물 재식별을 위한 공동 분리 및 적응

비감독(person re-identification, re-id) 분야에서 상당한 진전이 이루어졌음에도 불구하고, 도메인 간 큰 격차로 인해 새로운 도메인에 대한 일반화가 여전히 도전 과제로 남아 있다. 최근 이러한 확장성 문제를 해결하기 위해 비감독 도메인 적응(unsupervised domain adaptation)에 대한 관심이 증가하고 있다. 기존 방법들은 ID 관련 및 ID 비관련 요소가 모두 포함된 표현 공간에서 적응을 수행하기 때문에, ID 관련 특징의 적응 효과가 불가피하게 저하된다. 본 논문에서는 적응 대상이 되는 표현 공간을 정제함으로써 적응 성능을 향상시키는 접근을 제안한다. 이를 위해 ID 관련 및 비관련 특징을 분리하고, 적응을 오직 ID 관련 특징 공간에서만 수행하도록 유도하는 공동 학습 프레임워크를 제안한다. 제안하는 모델은 교차 도메인 이미지를 공유된 외형 공간과 두 개의 별도의 구조 공간으로 인코딩하는 분리 모듈과, 공유된 외형 공간에서 적대적 정렬(adversarial alignment) 및 자기 학습(self-training)을 수행하는 적응 모듈로 구성된다. 두 모듈은 서로 보완적인 관계로 공동 설계되어 상호 협력한다. 광범위한 실험을 통해 제안하는 공동 학습 프레임워크가 기존 최고 수준의 방법들을 명확한 차이로 상회함을 입증하였다.