초록
비감독(person) 재식별(Re-ID)은 컴퓨터 비전 분야에서 매우 유망하면서도 도전적인 연구 과제이다. 레이블이 없는 데이터를 이용하여 강건하고 구별력 있는 특징을 학습하는 것은 Re-ID의 핵심적인 과제이다. 최근에는 클러스터링을 기반으로 한 가짜 레이블(pseudo-label)을 활용한 비감독 Re-ID 알고리즘이 주목받고 있다. 그러나 기존의 방법들은 하드 샘플(hard samples)의 정보를 충분히 활용하지 못했으며, 단순히 클러스터 중심점 또는 모든 인스턴스를 대상으로 대조 학습(contrastive learning)을 수행하였다. 본 논문에서는 클러스터 수준의 손실과 인스턴스 수준의 손실을 결합한 하드 샘플 유도 하이브리드 대조 학습(Hard-sample Guided Hybrid Contrast Learning, HHCL) 방법을 제안한다. 제안한 방법은 클러스터 중심점에 대한 대조 손실을 적용하여 네트워크의 업데이트가 더욱 안정적으로 이루어지도록 한다. 동시에 하드 인스턴스에 대한 대조 손실을 도입함으로써 더 풍부한 구별 정보를 탐색할 수 있다. 두 가지 대표적인 대규모 Re-ID 벤치마크에서 실시한 광범위한 실험을 통해 HHCL이 기존 최고 성능의 방법들을 능가하며, 비감독 사람 재식별의 성능을 크게 향상시킴을 입증하였다. 본 연구의 코드는 곧 https://github.com/bupt-ai-cz/HHCL-ReID 에서 공개될 예정이다.