개인 재식별을 위한 다중 작업 심층 네트워크

개인 재식별(ReID)은 비디오 감시에서 서로 다른 장면에 등장하는 사람을 식별하는 데 초점을 맞추며, 현재의 개인 ReID 접근법에서는 보통 이진 분류 작업 또는 순위 결정 작업으로 공식화됩니다. 본 논문에서는 두 작업을 모두 고려하여 각 작업의 장점을 활용하고 두 작업을 동시에 최적화하는 다중 작업 심층 네트워크(MTDnet)를 제안합니다. 우리의 지식으로는, 개인 ReID 문제 해결에 두 작업을 하나의 네트워크에 통합한 최초의 연구입니다. 제안된 구조가 성능을 크게 향상시킴을 보여줍니다. 또한, 심층 구조는 일반적으로 충분한 훈련 데이터셋이 필요하지만, 개인 ReID에서는 이를 충족하기 어렵습니다. 이를 해결하기 위해 MTDnet을 확장하여 작은 목표 집합 학습을 보조할 수 있는 보조 집합을 활용하는 교차 도메인 구조를 제안합니다. 실험 결과, 본 접근법은 CUHK03, CUHK01, VIPeR, iLIDS, PRID2011과 같은 대표적인 데이터셋에서 기존 대부분의 개인 ReID 알고리즘보다 우수한 성능을 보여 제안된 방법의 유효성을 명확히 입증합니다.