세부 표현과 재구성을 활용한 의상 변경 인물 재식별 연구

의복 변경 인물 재식별(Re-ID)은 차별화된 특징과 제한된 학습 샘플이라는 두 가지 한계로 인해 특히 어려운 과제입니다. 기존 방법들은 주로 형태나 걸음걸이와 같은 소프트 바이오메트릭스 특징 및 의복의 추가 라벨 등 보조 정보를 활용하여 신원 관련 특징 학습을 촉진합니다. 그러나 이러한 정보는 실제 응용 프로그램에서 사용할 수 없는 경우가 많습니다. 본 논문에서는 이러한 한계를 보조 주석이나 데이터 없이 해결하기 위해 새로운 세부 표현 및 재구성(FIne-grained Representation and Recomposition, FIRe$^{2}$) 프레임워크를 제안합니다.특히, 먼저 각 개인의 이미지를 개별적으로 클러스터링하는 세부 특징 채굴(Fine-grained Feature Mining, FFM) 모듈을 설계하였습니다. 유사한 세부 속성(예: 의복과 시점)을 가진 이미지는 클러스터링될 것을 권장합니다. 클러스터 라벨을 기반으로 세부 학습을 수행하기 위한 속성 인지 분류 손실 함수가 도입되었으며, 이는 다른 사람 사이에서 공유되지 않아 모델이 신원 관련 특징을 학습하도록 촉진합니다.또한, 세부 속성을 최대한 활용하기 위해 잠재 공간에서 서로 다른 속성을 가진 이미지 특징을 재구성하는 세부 속성 재구성(Fine-grained Attribute Recomposition, FAR) 모듈을 제시하였습니다. 이는 강건한 특징 학습을 크게 향상시킵니다. 광범위한 실험 결과 FIRe$^{2}$가 널리 사용되는 5개의 의복 변경 인물 재식별 벤치마크에서 최고 수준의 성능을 달성할 수 있음을 입증하였습니다. 코드는 https://github.com/QizaoWang/FIRe-CCReID 에서 제공됩니다.