비지도(person) 재식별을 위한 클러스터 컨트라스트

최신 비지도 재식별(Re-ID) 기법들은 메모리 기반의 비모수적 소프트맥스 손실을 활용하여 신경망을 학습한다. 메모리에 저장된 인스턴스 특징 벡터는 클러스터링을 통해 가상 레이블을 부여받고, 인스턴스 단위에서 갱신된다. 그러나 클러스터 크기의 변화는 각 클러스터의 갱신 진행 상황에 일관성 부족을 초래한다. 이 문제를 해결하기 위해, 본 연구에서는 클러스터 수준에서 특징 벡터를 저장하고 대조 손실(contrast loss)을 계산하는 '클러스터 대조(Cluster Contrast)'를 제안한다. 본 방법은 각 클러스터를 고유한 표현으로 설명하는 방식을 통해 클러스터 수준의 메모리 사전을 구성한다. 이를 통해 전체 파이프라인에서 클러스터링의 일관성을 효과적으로 유지할 수 있으며, GPU 메모리 사용량도 크게 감소시킬 수 있다. 따라서 제안된 방법은 클러스터 불일치 문제를 해결하고 더 큰 데이터셋에 적용 가능한 가능성을 갖는다. 또한, 다양한 클러스터링 알고리즘을 활용하여 본 프레임워크의 강건성과 일반화 능력을 입증한다. 표준 비지도 Re-ID 파이프라인에 클러스터 대조 기법을 적용한 결과, Market, Duke, MSMT17 데이터셋에서 기존 최고 수준의 순수 비지도 Re-ID 기법 대비 각각 9.9%, 8.3%, 12.1%의 mAP 향상률을 달성하였으며, 최고 수준의 비지도 도메인 적응 Re-ID 기법 대비 각각 5.5%, 4.8%, 4.4%의 mAP 향상률을 기록하였다. 코드는 https://github.com/alibaba/cluster-contrast 에서 공개되어 있다.