기반 부분 기반 의사 레이블 정제를 통한 비지도 인물 재식별

비지도(person re-identification, re-ID)는 레이블이 없는 데이터로부터 사람 검색을 위한 구분 가능한 표현을 학습하는 것을 목표로 한다. 최근 기술들은 의사 레이블(pseudo-labels)을 사용하여 이 작업을 수행하고 있으나, 이러한 레이블은 본질적으로 노이즈가 많아 정확도를 저하시킨다. 이 문제를 해결하기 위해 여러 의사 레이블 정제 기법이 제안되었으나, 사람 re-ID에 필수적인 세부적인 국소적 맥락을 간과하고 있다. 본 논문에서는 전역 특징과 부분 특징 간의 보완적 관계를 활용하여 레이블 노이즈를 줄이는 새로운 Part-based Pseudo Label Refinement (PPLR) 프레임워크를 제안한다. 구체적으로, 특징 공간 간 k개의 근접 이웃 간 유사도를 이용하여 교차 일치도 점수(cross agreement score)를 설계함으로써 신뢰할 수 있는 보완적 관계를 활용한다. 이 교차 일치도를 기반으로, 부분 특징의 예측을 통합하여 전역 특징의 의사 레이블을 정제함으로써 전역 특징 클러스터링 내의 노이즈를 종합적으로 완화한다. 또한 각 부분에 대해 주어진 레이블의 적합도에 따라 라벨 스무딩(label smoothing)을 적용하여 부분 특징의 의사 레이블을 추가로 정제한다. 교차 일치도 점수가 제공하는 신뢰할 수 있는 보완 정보 덕분에, 본 PPLR는 노이즈가 많은 레이블의 영향을 효과적으로 줄이고 풍부한 국소적 맥락을 갖춘 구분 가능한 표현을 학습한다. Market-1501 및 MSMT17 데이터셋에서 수행한 광범위한 실험 결과는 제안한 방법이 최신 기술 대비 우수한 성능을 보임을 입증한다. 코드는 https://github.com/yoonkicho/PPLR 에서 공개되어 있다.