초록
도메인 적응(person Re-Identification, ReID)은 타겟 시나리오에서의 도메인 갭과 레이블링된 데이터 부족 문제로 인해 도전적인 과제이다. 이러한 두 가지 도전 과제를 해결하기 위해 본 논문은 도메인 불변 맵핑(Domain-Invariant Mapping, DIM)과 전역-국소 거리 최적화(Global-Local distance Optimization, GLO)를 결합한 최적화 방법을 제안한다. 기존의 이중 단계 지식 전이 방식과 달리, DIM은 레이블이 있는 데이터셋과 레이블이 없는 데이터셋의 이미지를 공통된 특징 공간으로 매핑함으로써 보다 효율적인 단일 단계 지식 전이를 달성한다. GLO는 타겟 도메인에서 비지도 학습 설정으로 ReID 모델을 학습하기 위해 설계되었다. 기존의 지도 학습을 위한 최적화 전략에 의존하는 것이 아니라, GLO는 거리 최적화 과정에 더 많은 이미지를 포함시켜 노이즈가 있는 레이블 예측에 대해 더 높은 로버스트성을 달성한다. 또한 GLO는 전역 데이터셋과 국소 학습 배치 모두에서 거리 최적화를 통합하여 더 뛰어난 학습 효율성을 보여준다. Market-1501, DukeMTMC-reID, MSMT17의 세 가지 대규모 데이터셋에서 실시한 광범위한 실험 결과, 제안하는 결합 최적화 방법이 최신 기술 대비 큰 성능 우위를 보였으며, 비지도 학습 환경에서도 우수한 성능을 발휘함과 동시에 최근의 여러 도메인 적응 기법들을 능가하는 결과를 도출하였다.