경량화된 다중 브랜치 네트워크를 통한 사람 재식별

사람 재식별(Person Re-Identification)은 여러 카메라 또는 동일한 카메라가 서로 다른 시간과 장소에서 촬영한 이미지에서 사람의 정체성을 검색하는 것을 목표로 한다. 감시부터 인간-기계 상호작용에 이르기까지 다양한 시각 응용 분야에서 중요한 역할을 하기 때문에, 사람 재식별 기법은 신뢰성과 빠른 처리 속도가 필요하다. 성능 향상을 위해 점점 더 복잡한 딥 아키텍처가 제안되고 있지만, 이에 따라 모델의 전반적인 복잡도도 증가하고 있다. 본 논문에서는 자원 효율적인 OSNet 백본을 기반으로 하여 전역(global), 부분 기반(part-based), 채널(channel) 특징을 통합하는 다중 브랜치 아키텍처를 갖춘 경량화 네트워크를 제안한다. 체계적인 학습 기법과 설계 선택의 유기적 조합을 통해, 최종 모델은 CUHK03 레이블링, CUHK03 탐지, Market-1501 데이터셋에서 각각 85.1% mAP / 87.2% Rank-1, 82.4% mAP / 84.9% Rank-1, 91.5% mAP / 96.3% Rank-1의 최신 기준(SOTA) 성능을 달성하였다.