개인 재식별(person re-identification, ReID) 분야에서 부분 ReID 방법은 신체 부위 간 비교를 통해 특징 거리(feature distance)를 측정하는 것을 목표로 하는 주류 접근으로 여겨진다. 그러나 실제로는 기존 방법들이 신체 부위의 해부학적 측면에 대한 충분한 인식을 갖추지 못하여, 서로 다른 샘플 간에 동일한 신체 부위의 특징을 포착하지 못하는 문제가 흔히 발생한다. 이러한 문제를 해결하기 위해, 우리는 정밀한 부위-대-부위 비교를 수행할 수 있는 포즈 추정 기반 ReID 모델인 \textbf{Part Aware Transformer (PAFormer)}를 제안한다. 포즈 토큰에 부위 인식을 주입하기 위해, 각 신체 부위와 영상의 부분 영역(partial regions) 간 상관관계를 추정하는 학습 가능한 매개변수인 `pose token'을 도입한다. 특히 추론 단계에서 PAFormer는 포즈 추정 모델을 활용하여 신체 부위 위치를 파악하는 추가 모듈을 일반적으로 사용하는 기존 ReID 방법론들과 달리, 신체 부위 위치 관련 추가 모듈 없이 동작한다. 또한 신체 부위에 대한 향상된 인식을 바탕으로, PAFormer는 각 신체 부위의 가림(occlusion) 정도를 추정하기 위한 학습 기반 가시성 예측기(visibility predictor)의 사용을 제안한다. 아울러, 정답 가시성 점수(ground truth visibility scores)를 이용한 교사 강제(teacher forcing) 기법을 도입하여 PAFormer가 보이는 부위(visible parts)만으로 학습될 수 있도록 한다. 일련의 광범위한 실험 결과, 본 방법은 널리 알려진 ReID 벤치마크 데이터셋에서 기존 접근들보다 더 우수한 성능을 보임을 확인하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.