DMRNet++: One-Step 인물 검색을 위한 분리된 네트워크와 풍부한 쌍을 활용한 구분 특징 학습

사람 검색은 원시 영상 프레임에서 쿼리 사람을 위치화하고 인식하는 것을 목표로 하며, 보행자 검출과 사람 재식별이라는 두 가지 하위 작업의 조합으로 구성된다. 주류 방식은 하나의 네트워크 내에서 검출과 식별을 공동 최적화하는 일단계(person search) 접근법으로, 높은 효율성을 보인다. 그러나 여전히 다음과 같은 주요 도전 과제가 존재한다: (i) 공유 특징 공간 내에서 다수의 하위 작업 간에 충돌하는 목적 함수, (ii) 제한된 배치 크기로 인한 일관성 없는 메모리 백업, (iii) 식별 학습 과정에서 미사용된 레이블 없는 정체성의 활용 부족. 이러한 문제를 해결하기 위해, 개선된 분리형 및 메모리 강화 네트워크(DMRNet++)를 제안한다. 먼저, 기존의 밀접하게 결합된 전형적인 파이프라인을 단순화하고, 작업 분리형 프레임워크(TDF)를 구축한다. 둘째, 네트워크의 느린 이동 평균을 활용하여 기억된 특징의 일관성을 더 잘 인코딩할 수 있는 메모리 강화 메커니즘(MRM)을 설계한다. 셋째, 미사용 샘플의 잠재적 가치를 고려하여 인식 과정을 반감독 학습으로 모델링한다. 이를 위해 미사용 정체성의 집계를 활용하여 식별 특징 학습을 촉진하는 미사용 보조 대조 손실(UCL)을 제안한다. 실험 결과, 제안하는 DMRNet++은 CUHK-SYSU 및 PRW 데이터셋에서 각각 94.5%, 52.1%의 mAP를 달성하여 대부분의 기존 방법을 초과한다.