글래드

인간 자세의 큰 변동성과 감지된 인간 이미지의 정렬 불량은 개인 재식별(Re-ID)의 난이도를 크게 높입니다. 또한, 비디오 감시 시스템에서 생성되는 대량의 시각적 데이터를 처리하기 위해 효율적인 Re-ID 시스템이 필요합니다. 이러한 문제를 해결하기 위해, 본 작업에서는 글로벌-로컬-정렬 설명자(Global-Local-Alignment Descriptor, GLAD)와 효율적인 인덱싱 및 검색 프레임워크를 제안합니다. GLAD는 인간 몸의 지역 및 글로벌 단서를 명시적으로 활용하여 구별 가능하고 강력한 표현을 생성합니다. 이는 여러 부분 영역이 먼저 감지되고, 그 다음 지역 및 글로벌 영역에서 표현 학습을 위해 심층 신경망이 설계되는 부분 추출 및 설명자 학습 모듈로 구성됩니다. 계층 인덱싱 및 검색 프레임워크는 갤러리 세트의 큰 중복성을 제거하고 온라인 Re-ID 절차를 가속화하도록 설계되었습니다. 광범위한 실험 결과는 GLAD가 최신 방법에 비해 경쟁력 있는 정확도를 달성함을 보여줍니다. 우리의 검색 프레임워크는 정확도 손실 없이 온라인 Re-ID 절차를 크게 가속화합니다. 따라서 이 작업은 실제 시나리오에서 개인 Re-ID 작업에서 더 나은 성능을 발휘할 가능성이 있습니다.