자세에서 정체성으로: 특징 중심화를 통한 훈련 없이 수행되는 인물 재식별

사람 재식별(ReID)은 정확한 정체성 표현 특징을 추출하는 것을 목표로 한다. 그러나 특징 추출 과정에서 개별 샘플은 노이즈(배경, 가림, 모델 한계 등)의 영향을 피할 수 없다. 학습 후 동일한 정체성의 특징들이 정체성 중심 주변에서 정규 분포를 따르는 점을 고려하여, 우리는 개별 노이즈를 줄이고 정체성 표현의 안정성을 높이기 위해 동일 정체성 특징을 집계함으로써 훈련 없이도 특징 중심화를 수행할 수 있는 새로운 프레임워크인 Training-Free Feature Centralization ReID( Pose2ID)를 제안한다. 이 방법은 후속 전략(예: 재랭킹)에 활용 가능한 특징의 원래 분포를 유지한다. 구체적으로, 동일 정체성의 샘플을 확보하기 위해 두 가지 구성 요소를 도입한다. 첫째, 정체성 유도 보행자 생성(Identity-Guided Pedestrian Generation): 정체성 특징을 활용하여 생성 과정을 안내함으로써 다양한 자세를 가진 고품질 이미지를 생성하여, 적외선 환경이나 가림 상황에서도 정체성 일관성을 보장한다. 둘째, 이웃 특징 중심화(Neighbor Feature Centralization): 각 샘플의 이웃 영역에서 잠재적인 긍정 샘플을 탐색한다. 실험 결과, 제안하는 생성 모델은 뛰어난 일반화 능력을 보이며 높은 정체성 일관성을 유지함을 입증하였다. 특징 중심화 프레임워크를 적용함으로써, ReID 훈련 없이도 ImageNet 사전 훈련 모델을 사용하여 놀라운 성능을 달성하였으며, Market1501 데이터셋에서 mAP/Rank-1이 각각 52.81/78.92에 도달하였다. 더불어, 본 방법은 표준 ReID, 다중 모달리티 ReID, 가림 상황 ReID 등 다양한 설정에서 새로운 최고 성능을 기록하며 강력한 적응 능력을 입증하였다.