초록
안전이 중요한 응용 프로그램에서 사람 재식별(ReID) 모델을 배포할 때, 다양한 이미지 오염에 대한 모델의 견고성을 이해하는 것이 매우 중요합니다. 그러나 현재 사람 ReID 평가는 깨끗한 데이터셋의 성능만 고려하고, 다양한 오염 시나리오에서의 이미지를 무시하고 있습니다. 본 연구에서는 오염 불변 표현 학습을 위한 여섯 개의 ReID 벤치마크를 종합적으로 구축하였습니다. ReID 분야에서 우리는 단일 및 크로스-모달리티 데이터셋(Market-1501, CUHK03, MSMT17, RegDB, SYSU-MM01)에서 오염 불변 학습에 대한 철저한 연구를 처음으로 수행하였습니다. 최근 21개의 ReID 방법들을 재현하고 그들의 견고성 성능을 검토한 결과 다음과 같은 관찰을 하였습니다: 1) 트랜스포머 기반 모델은 CNN 기반 모델과 비교하여 오염된 이미지에 대해 더 견고하며, 2) 랜덤 제거(random erasing) 확률을 증가시키면 모델의 오염 견고성이 손상되며, 3) 오염 견고성이 증가함에 따라 크로스-데이터셋 일반화 능력도 향상됩니다. 위의 관찰들을 분석하여, 우리는 단일 및 크로스-모달리티 ReID 데이터셋에서 다양한 오염에 대해 개선된 견고성을 달성하는 강력한 베이스라인을 제안하였습니다. 우리의 코드는 https://github.com/MinghuiChen43/CIL-ReID 에서 확인할 수 있습니다.