CORE-ReID: 사람 재식별을 위한 도메인 적응에서 앙상블 융합을 통한 종합적 최적화 및 정제

이 연구는 사람 재식별(Person Re-identification, ReID)을 위한 비감독 도메인 적응(Unsupervised Domain Adaptation, UDA) 문제를 해결하기 위해, “도메인 적응을 위한 앙상블 융합을 통한 종합적 최적화 및 정제(CORE-ReID)”라는 새로운 프레임워크를 제안한다. 이 프레임워크는 사전 훈련 단계에서 CycleGAN을 활용하여 서로 다른 카메라 소스에서 발생하는 이미지 특성의 차이를 조화롭게 만드는 다양한 데이터를 생성한다. 미세 조정 단계에서는 교사-학생 네트워크 쌍을 기반으로 다중 시점 특징을 통합하여 다수준 클러스터링을 수행함으로써 다양한 가짜 레이블(pseudo-labels)을 도출한다. 또한, 전역 특징 내에서 미세한 국소 정보에 초점을 맞춘 학습 가능한 앙상블 융합(Ensemble Fusion) 구성 요소를 도입하여 학습의 포괄성을 강화하고, 다수의 가짜 레이블로 인한 모호성 문제를 완화한다. 사람 재식별에서 일반적으로 사용되는 세 가지 UDA 벤치마크에 대한 실험 결과를 통해 기존 최고 수준의 기법들에 비해 뚜렷한 성능 향상을 보였다. 또한, 효율적인 채널 주의 메커니즘(Effective Channel Attention Block)과 양방향 평균 특징 정규화(Bidirectional Mean Feature Normalization) 등의 추가적 개선을 통해, 전역 및 국소 특징의 적응적 융합을 가능하게 하고, 편향 효과를 완화함으로써 프레임워크의 강도를 더욱 높였다. 제안된 프레임워크는 융합 특징의 명확성을 보장하고, 모호성을 피하며, 평균 평균 정밀도(Mean Average Precision), Top-1, Top-5, Top-10 정확도 측면에서 높은 성능을 달성함으로써, 사람 재식별 분야에서의 비감독 도메인 적응에 있어 선도적이고 효과적인 솔루션으로 자리매김한다.