FPB: 사람 재식별을 위한 특징 피라미드 브랜치

고성능 사람 재식별(Person Re-Identification, Re-ID)을 위해서는 모델이 보행자의 전반적인 윤곽(글로벌 실루엣)과 국소적인 세부 정보를 동시에 주목해야 한다. 이러한 더 대표적인 특징을 추출하기 위해, 다중 분기(multi-branch) 구조를 갖춘 깊은 모델을 활용하는 것이 효과적인 방법이다. 그러나 대부분의 다중 분기 기반 방법은 부분 백본 구조를 복제하여 구현함으로써 계산 비용이 심각하게 증가하는 문제가 있다. 본 논문에서는 네트워크의 다양한 층에서 특징을 추출하고, 양방향 피라미드 구조를 통해 이를 통합하는 경량형 피처 피라미드 브랜치(Feature Pyramid Branch, FPB)를 제안한다. 주목할 점은, 주의(attention) 모듈과 본 논문에서 제안한 교차 직교성 정규화(Cross Orthogonality Regularization)와 결합함으로써, FPB는 150만 개 미만의 추가 파라미터만을 도입함으로써 백본 네트워크의 성능을 크게 향상시킨다는 점이다. 표준 벤치마크 데이터셋에서 실시한 광범위한 실험 결과는, 제안된 FPB 기반 모델이 기존 최고 성능의 방법들을 명확한 성능 차이로 능가함과 동시에 훨씬 낮은 모델 복잡도를 유지함을 입증한다. FPB는 현재 주목받는 객체 탐지 기법에서 유래한 피처 피라미드 네트워크(Feature Pyramid Network, FPN)의 아이디어를 차용하였다. 우리 지식으로는, 이와 유사한 구조가 사람 재식별 작업에 성공적으로 적용된 최초의 사례이다. 이는 피라미드 구조를 부가적인 브랜치로 활용하는 것이 관련 특징 임베딩 모델에서 잠재적인 구조로 될 수 있음을 경험적으로 입증한다. 소스 코드는 공개되어 있으며, 다음 URL에서 확인할 수 있다: https://github.com/anocodetest1/FPB.git.