비지도 교차 도메인 인물 재식별을 위한 어려운 샘플 보정

사람 재식별(Person re-identification, re-ID)은 감독 학습 기법을 통해 큰 성과를 거두었으나, 비감독 교차 도메인 재식별은 여전히 도전적인 과제로 남아 있다. 본 논문에서는 타겟 비라벨 데이터셋 내에서 어려운 양성 샘플(hard positive)과 음성 샘플(hard negative)에 취약한 기존 클러스터링 기반 방법의 약점을 해결하기 위해, 어려운 샘플 보정(Hard Samples Rectification, HSR) 학습 방식을 제안한다. 제안한 HSR는 두 가지 구성 요소로 이루어져 있다. 첫째, 서로 다른 시점에서 촬영된 사람을 정확히 식별하는 데 도움을 주는 카메라 간 샘플 탐색 기법이며, 이는 어려운 양성 샘플을 효과적으로 처리하는 데 기여한다. 둘째, 외형이 유사한 다른 사람을 구분할 수 있도록 모델의 구분 능력을 강화하는 부분 기반 균일성 기법으로, 어려운 음성 샘플에 대한 처리를 가능하게 한다. 이러한 두 가지 어려운 경우를 보정함으로써, 재식별 모델은 효과적으로 학습할 수 있으며, 두 개의 대규모 벤치마크에서 우수한 성능을 달성한다.