의복 변경 인물 재인식(Cloth-changing Person Re-Identification, CC-ReID)은 서로 다른 복장을 착용한 특정 보행자를 식별하는 도전적인 데이터 모델링 과제이다. 기존 방법들은 주로 의복의 색상을 변화시키거나, 의복과 무관한 특징을 추출하기 위해 외형을 직접 재구성하는 데 초점을 둔다. 그러나 실제 보행자는 신장, 체형 등에서 차이가 있다. 이러한 방법들은 (예: 질감 구조와 국소 상관관계)와 같은 맥락 현상의 부재로 인해 원본 샘플의 고유 정보(즉, 인물 정체성)를 잃기 쉽고, 그 결과 인식 성능이 저하된다. 이 문제를 해결하기 위해 본 연구에서는 비국소 가중 다중 스케일 지각(Non-local weighted multi-scale perception, NWMP) 모듈과 파싱 재구성 탐색(Parsing reconstruction exploration, PRE) 모듈을 포함하는 HPRNet, 즉 “Human Parsing Reconstruction with Non-Local Multi-Scale Perception Network”라는 프레임워크를 제안한다. 특히 제안된 NWMP 모듈은 샘플의 전역 수용영역(global receptive field)을 효과적으로 포착하고, 샘플 이미지 내에서 서로 이웃하지 않은 픽셀들 사이의 맥락적 상관관계를 획득한다. PRE 모듈은 의복 파싱 모델을 사용하여 인간 신체 구성요소를 보다 정확하게 재구성함으로써, 의복과 관련되거나 무관한 특징을 더 잘 구분하도록 하였다. 본 제안 방법의 효과성과 경쟁력을 복잡한 이 모델링 과제에 대한 최신(state-of-the-art, SOTA) 기준 방법들과 비교하여 입증하기 위해, CC-ReID 공개 데이터셋(LTCC, PRCC 및 CCVID)에서 광범위한 실험을 수행하였다.

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