불확실성 특징 융합 방법 및 오토웨이트 측정 조합을 통한 개인 재식별 성능 향상

사람 재식별(Person re-identification, Re-ID)은 감시 시스템에서 서로 다른 카메라 화면 간에 동일한 사람을 식별하는 도전적인 과제이다. 기존의 방법들은 주로 단일 카메라 시점에서 추출한 특징에 의존하는 경향이 있으며, 다중 카메라 환경과 시점 변화, 가림 현상 등의 도전 과제에 대응할 때 한계가 있다. 본 논문에서는 불확실한 특징 융합 방법(Uncertain Feature Fusion Method, UFFM)과 자동 가중 측도 조합(Auto-weighted Measure Combination, AMC)을 통해 Re-ID 모델의 성능을 향상시키는 새로운 접근법을 제안한다. UFFM은 다수의 이미지에서 독립적으로 추출한 특징을 활용하여 다중 시점 특징을 생성함으로써 시점 편향을 완화한다. 그러나 다중 시점 특징 기반의 유사도에만 의존하는 것은 단일 시점 특징이 표현하는 세부 정보를 무시하기 때문에 한계가 있다. 이를 해결하기 위해 본 연구는 다양한 측도를 결합함으로써 보다 강건한 유사도 측도를 생성하는 AMC 방법을 제안한다. 제안한 방법은 사람 재식별 데이터셋에서 평가된 결과, Rank@1 정확도와 평균 평균 정밀도(Mean Average Precision, mAP) 모두에서 상당한 성능 향상을 보였다. 도전적인 데이터셋에서 BoT 기준선(Bot Baseline)과 결합한 결과, MSMT17 데이터셋에서 Rank@1이 7.9% 향상되고 mAP는 12.1% 개선되었으며, Occluded-DukeMTMC 데이터셋에서는 Rank@1이 22.0% 향상되고 mAP는 18.4% 증가하였다. 코드는 다음과 같이 공개되어 있다: https://github.com/chequanghuy/Enhancing-Person-Re-Identification-via-UFFM-and-AMC