초록
사람 재식별(Person re-identification)은 겹치지 않는 카메라 간에 동일한 개인을 식별하는 문제이다. 최근 재식별 문제에 있어서 큰 진전이 있었음에도 불구하고, 동일한 사람의 외형 변화나 유사한 외형을 가진 타인들로 인해 여전히 도전적인 과제로 남아 있다. 일부 기존 연구들은 긍정 샘플과 부정 샘플의 특징을 분리함으로써 이러한 문제를 해결하려 했다. 그러나 기존 모델의 성능은 학습에 사용된 샘플의 특성과 통계에 크게 의존하는 경향이 있다. 이를 해결하기 위해 본 연구는 무작위로 선택된 샘플로부터 분리된 특징 임베딩을 학습하는 새로운 프레임워크인 샘플링 독립적 강건한 특징 표현 네트워크(Sampling Independent Robust Feature Representation Network, SirNet)를 제안한다. 본 연구에서는 동일한 사람의 샘플을 클러스터로 모델링할 수 있도록 주의 깊게 설계된 샘플링 독립적 최대 차이 손실( sampling independent maximum discrepancy loss)을 도입하였다. 그 결과, 학습된 특징을 활용하여 추가적인 어려운 부정 샘플 또는 긍정 샘플을 생성할 수 있게 되었으며, 이는 타 정체성과의 구별 능력을 향상시킨다. 대규모 벤치마크 데이터셋을 대상으로 수행된 광범위한 실험 결과는 제안된 모델이 기존 최고 성능 모델보다 더 효과적임을 입증한다.