초록
비지도(person) 재식별(ReID)은 레이블 없이도 구분 가능한 정체성 특징을 학습하는 것을 목표로 한다. 최근, 자기지도형 대조 학습(self-supervised contrastive learning)은 비지도 표현 학습에서 효과적인 방법으로 주목받고 있다. 인스턴스 대조 학습의 핵심 아이디어는 서로 다른 증강된 시각에서 동일한 인스턴스를 매칭하는 것이다. 그러나 기존의 대조 학습 방법들은 서로 다른 인스턴스 간의 관계, 특히 인스턴스 수준의 대조 손실에서의 관계를 충분히 탐색하지 못했다. 이 문제를 해결하기 위해 우리는 인스턴스 간 대조 인코딩(Inter-instance Contrastive Encoding, ICE)을 제안한다. 이 방법은 인스턴스 간 쌍별 유사도 점수를 활용하여 기존의 클래스 수준 대조 ReID 방법의 성능을 향상시킨다. 먼저, 쌍별 유사도 순위를 하드한 1-핫 소프트 가짜 레이블로 사용하여 어려운 인스턴스 대조를 수행함으로써 클래스 내 분산을 줄이는 것을 목표로 한다. 이후, 유사도 점수를 소프트 가짜 레이블로 활용하여 증강된 시각과 원본 시각 간의 일관성을 강화함으로써 모델이 증강에 의한 변형에 더 강건해지도록 한다. 다양한 대규모 사람 ReID 데이터셋에서의 실험을 통해 제안한 비지도 방법 ICE의 효과성을 검증하였으며, 일부 경우에서는 지도 학습 방법과 경쟁 가능한 성능을 달성하였다. 코드는 https://github.com/chenhao2345/ICE 에 공개되어 있다.