초록
비지도(person) 재식별(Re-ID)은 비지도 환경에서 서로 다른 카메라 시점에서 촬영된 보행자 이미지를 매칭하는 것을 목표로 한다. 기존의 비지도 사람 Re-ID 방법들은 주로 클러스터링을 통해 생성된 가상 레이블(pseudo labels)에 기반하고 있다. 그러나 클러스터링의 품질은 학습된 특징의 품질에 크게 의존하며, 특히 비지도 설정에서는 이미지의 색상이 특징을 지배적으로 형성하는 경향이 있다. 본 논문에서는 비대칭 대조 학습(asymmetric contrastive learning) 프레임워크를 적절히 설계한 가운데 클러스터 구조를 활용하여 특징 학습을 유도하는 클러스터 유도형 비대칭 대조 학습(CACL) 방법을 제안한다. 구체적으로, 서로 다른 데이터 증강 시각 내 및 간의 클러스터 구조에 대해 특징 학습에서 불변성(invariance)을 효과적으로 탐색할 수 있도록 새로운 클러스터 수준의 대조 손실(contrastive loss)을 제안한다. 세 가지 표준 데이터셋에서 실시한 광범위한 실험을 통해 제안 방법이 우수한 성능을 보임을 확인하였다.