이 논문은 사람 재식별 모델이 실시간으로 변화하는 분포에 적응할 수 있는 방법을 제안한다. 사람 재식별은 주어진 이미지에서 동일한 사람의 이미지를 데이터베이스에서 찾는 것을 목표로 한다. 실제 환경에서는 시간이 지남에 따라 이미지가 촬영되는 환경이 변화하여 학습 데이터와 테스트 데이터의 분포가 달라지는 문제가 발생한다. 이로 인해 사람 재식별 모델의 성능이 저하된다.
이 문제를 해결하기 위해, 저자들은 테스트 시간 적응(TTA) 기법을 사용한다. TTA는 레이블이 없는 테스트 데이터만을 사용하여 모델을 실시간으로 적응시키는 방법이다. 기존 TTA 기법은 분류 문제를 위해 설계되었기 때문에 사람 재식별 문제에 직접 적용할 수 없다. 사람 재식별은 열린 집합 문제로, 학습 데이터와 테스트 데이터의 사람 ID가 다르기 때문이다.
이를 해결하기 위해 저자들은 TEMP(Test-time Similarity Modification for Person Re-identification)라는 새로운 TTA 기법을 제안한다. TEMP는 사람 재식별 모델의 출력인 특징 벡터의 유사도를 수정하여 모델을 실시간으로 적응시킨다. 구체적으로, TEMP는 특징 벡터 간 유사도를 기반으로 한 엔트로피를 최소화함으로써 모델의 불확실성을 감소시킨다. 실험 결과, TEMP는 위치 변화와 이미지 왜곡과 같은 분포 변화 상황에서 기존 방법보다 우수한 성능을 보였다.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Kazuki Adach... at arxiv.org 03-22-2024
https://arxiv.org/pdf/2403.14114.pdfDeeper Inquiries