CA-Jaccard: 카메라 인식 Jaccard 거리 측정법 사람 재식별을 위한

개인 재식별(re-ID)은 사람 검색을 위한 차별적인 특징을 학습하는 어려운 과제입니다. 개인 재식별에서 자카드 거리는 특히 재순위 매기기와 클러스터링 시나리오에서 널리 사용되는 거리 측정 방법입니다. 그러나 우리는 카메라 변동이 자카드 거리의 신뢰성에 큰 부정적 영향을 미친다는 것을 발견했습니다. 특히, 자카드 거리는 관련 이웃들의 겹침 기반으로 거리를 계산합니다. 카메라 변동으로 인해 동일 카메라 샘플들이 관련 이웃들을 주도하게 되어, 동일 카메라 내의 부정 샘플을 도입하고 다른 카메라 간의 긍정 샘플을 배제함으로써 이웃들의 신뢰성이 저하됩니다. 이러한 문제를 해결하기 위해, 우리는 카메라 정보를 활용하여 자카드 거리의 신뢰성을 향상시키는 새로운 카메라 인식형 자카드(CA-Jaccard) 거리를 제안합니다. 구체적으로, 우리는 동일 카메라와 다른 카메라 순위 목록에서 k-상호 최근접 이웃(k-reciprocal nearest neighbors)을 찾기 위한 카메라 인식형 k-상호 최근접 이웃(CKRNNs)을 설계하였습니다. 이를 통해 관련 이웃들의 신뢰성이 개선되고, 겹침에 있어 다른 카메라 샘플들의 기여가 보장됩니다. 또한, 우리는 강력한 제약 조건으로서 카메라 변동을 활용하여 관련 이웃들에서 신뢰할 수 있는 샘플들을 발굴하고, 겹침에서 이러한 샘플들에게 더 높은 가중치를 할당하여 신뢰성을 더욱 향상시키는 카메라 인식형 로컬 쿼리 확장을(CLQE) 제안하였습니다. 우리의 CA-Jaccard 거리는 단순하면서도 효과적이며, 높은 신뢰성과 낮은 계산 비용으로 개인 재식별 방법에 일반적인 거리 측정 방법으로 활용될 수 있습니다. 광범위한 실험 결과가 우리 방법의 유효성을 입증하고 있습니다.