Centrala begrepp
본 연구는 복잡한 클러스터링 알고리즘 없이도 강력한 일반화 성능을 가진 모델을 학습할 수 있는 빠르고 효율적인 비지도 도메인 적응형 사람 검색 프레임워크를 제안한다.
Sammanfattning
이 논문은 비지도 사람 검색 문제를 해결하기 위해 FOUS(Fast One-stage Unsupervised person Search) 프레임워크를 제안한다. FOUS는 복잡한 클러스터링 알고리즘 대신 프로토타입 상관관계 레이블링 방법을 사용하여 계산 비용을 크게 줄였다. 또한 주의 기반 도메인 정렬 모듈(ADAM)을 도입하여 비지도 탐지로 인한 저품질 후보 프레임의 부작용을 줄였다. ADAM은 이미지 수준과 인스턴스 수준의 특징을 모두 정렬하여 탐지와 재인식 작업 간의 격차를 해소한다. 마지막으로 FOUS는 적응형 선택 전략을 사용하여 거친 레이블을 점진적으로 개선한다. 실험 결과, FOUS는 두 벤치마크 데이터셋에서 최신 기술 수준의 성능을 달성했으며, 계산 복잡성을 크게 줄이고 추론 속도를 높였다.
Statistik
비지도 탐지로 인한 저품질 후보 프레임이 재인식 작업에 부정적인 영향을 미친다.
복잡한 클러스터링 알고리즘은 계산 비용이 많이 든다.
프로토타입 상관관계 레이블링 방법은 계산 비용을 크게 줄일 수 있다.
ADAM은 이미지 수준과 인스턴스 수준의 특징을 정렬하여 탐지와 재인식 작업 간의 격차를 해소할 수 있다.
적응형 선택 전략을 통해 거친 레이블을 점진적으로 개선할 수 있다.
Citat
"비지도 사람 검색은 레이블이 없는 도메인의 예기치 않은 변화로 인해 극도로 어려운 과제이다."
"대부분의 기존 방법은 반복적인 모델 학습을 위한 클러스터링을 사용하여 도메인 변화를 적응시키는 다단계 모델을 개발하는 데 전념하고 있다."
"FOUS는 반복적인 클러스터링 없이 종단 간 방식으로 도메인 적응과 레이블 적응을 보완적으로 통합한다."