차량 재식별을 위한 강력한 베이스라인

차량 재식별(Vehicle Re-Identification, Re-ID)은 서로 다른 카메라 간에 동일한 차량을 식별하는 것을 목표로 하며, 현대 교통 관리 시스템에서 중요한 역할을 한다. 이러한 기술적 과제는 알고리즘이 다양한 시점, 해상도, 가림현상, 조명 조건 등에서 강건해야 한다는 요구를 수반한다. 본 논문에서는 차량 Re-ID 성능을 저해하는 주요 요인들을 분석한 후, 제5회 AI City 챌린지의 Track 2 데이터셋을 대상으로 한 구체적인 해결 방안을 제시한다. 제안하는 방법은 다음과 같다: (1) 실재 데이터와 합성 데이터 간의 도메인 갭을 줄이는 기법, (2) 주의 메커니즘(attention mechanism)을 갖춘 다중 헤드(multi-head)를 스택하여 네트워크 구조를 개선하는 방식, (3) 손실 가중치를 적응적으로 조정하는 전략. 제안한 방법은 외부 데이터셋이나 의사라벨링(Pseudo-labeling)을 사용하지 않고도 개인용 CityFlow 테스트셋에서 61.34%의 mAP를 달성하였으며, Veri 벤치마크에서는 기존 모든 작업들을 상회하는 87.1%의 mAP를 기록하였다. 코드는 https://github.com/cybercore-co-ltd/track2_aicity_2021 에서 공개되어 있다.