상대 거리 비교에 의한 재식별

다른 장소와 시간의 비겹치는 카메라 뷰에서 사람을 매칭하는 것은 개인 재식별로 알려져 있으며, 오랜 기간 동안 대규모 분산 공간에서 관찰된 사람의 행동을 연관짓기 위해 매우 어렵고 중요한 문제입니다. 개인 재식별은 시야 각도, 조명, 배경 혼잡 및 가림으로 인한 큰 시각적 외관 변화 때문에 근본적으로 도전적입니다. 이러한 문제를 해결하기 위해, 대부분의 이전 접근법은 독특하고 신뢰할 수 있는 시각적 특징을 모델링하고 추출하려고 합니다. 그러나 현실적인 시청 조건에서 다양한 특징을 정량화하는 최적의 강건한 유사성 측정값을 찾는 것은 여전히 개인 재식별에 대해 열려 있는 미해결 문제입니다. 본 논문에서는 개인 재식별을 한 쌍의 개인 이미지 간의 최적 유사성 측정값을 학습하기 위한 상대 거리 비교(RDC) 학습 문제로 구성합니다. 이 접근법은 모든 특징을 무차별적으로 다루는 것을 피하고, 보편적으로 독특하고 신뢰할 수 있는 특징의 존재를 가정하지 않습니다. 이를 위해 새로운 상대 거리 비교 모델이 도입됩니다. 이 모델은 진정한 매치 쌍이 잘못된 매치 쌍보다 상대적으로 더 작은 거리를 가지도록 소프트 판별 방식으로 가능성을 극대화하도록 구성됩니다. 또한 대규모 학습에서 모델의 처리 가능성을 유지하기 위해, 앙상블 RDC 모델을 추가로 발전시킵니다. 세 개의 공개적으로 사용 가능한 벤치마크 데이터세트에서 광범위한 실험을 수행하여 제안된 RDC 모델이 관련된 인기 있는 개인 재식별 기술에 비해 명확한 우수성을 보이는 것을 입증합니다. 결과는 또한 새로운 RDC 모델이 시각적 외관 변화에 더 강건하고, 다른 관련 기존 모델에 비해 모델 과적합에 덜 민감함을 보여줍니다.