요약문

재인식 혹은 재식별이라 불리는 Re-identification 은 다른 위치의 이미지/비디오에서 동일한 물체 (예: 사람 혹은 차량)를 찾는 문제로 최근 기계학습/인공지능 분야에서 활발히 연구되고 있다. 재 인식 문제를 정의할 때 쿼리 샘플과 쿼리 샘플과 매칭되는 샘플들이 포함되는 갤러리가 있고, 갤 러리 안에 샘플들 중에는 쿼리 샘플과 동일한 물체의 샘플이 존재한다. 재인식 모델은 쿼리 샘플 이 주어졌을 때 동일한 물체를 갤러리에서 찾는 기능을 획득하도록 훈련된다. 모델 훈련을 위해 사용되는 손실함수는 기존의 인식함수와는 다른 형태로 쿼리, 양성 키 샘플, 음성 키 샘플로 정의 되는 삼중 관계(triplet relationship)로 정의되어야 한다. 우리는 이 보고서에서 최근 많이 사용되고 있는 재인식으로 사용되는 손실함수들과 재인식 모델 아키텍처들을 소개하고자 한다. 그리고 재 인식에서 많이 연구되고 있는 네 가지 분야(사람 인식, 도메인 간 사람 인식, 부분적으로 보이는 사람 인식, 그리고 차량 인식)를 소개하고 각 분야에서 많이 사용되고 있는 데이터세트와 방법들 을 소개하고 비교하고자 한다

1. 개요

재인식 혹은 재식별이라 불리는 Re-identification 은 서로 다른 위치에서 서로 다른 시점으로 촬영한 이미지 혹은 비디오에서 동일한 identification(ID)을 가진 인스턴스(예, 사람, 차량)를 찾는 작업을 뜻한다. 재인식이 기계학습/인공지능 분야에서 사용될 때는 일반적으로 재인식 모델에 쿼 리 영상이 주어졌을 때 그 영상 안에 있는 인스턴스와 동일한 ID 를 가진 인스턴스를 참조 영상 이 저장되어 있는 갤러리에서 다른 ID 를 가진 인스턴스로부터 잘 구분할 수 있는 기능을 갖추도 록 학습되게 된다.

최근 재인식 연구에 대한 종합적인 연구를 진행하고 최근 방법들을 분석한 Fast ReID 논문[8]에 따르면 재인식 관련 application 으로 TV 시리즈에서 주요 배우들의 위치를 찾거나 카메라 영상 으로 쇼핑몰의 미아 찾기, 도시 감시 시스템에서 용의자 차량과 관련된 비디오 샷 찾기 등의 작 업을 포함하여 사람이 하기에는 고통스럽고 지루한 계속되는 비디오 시청이 필요한 다양한 응용 프로그램이 있다. 또한 일반 인스턴스 재식별 기술은 전자상거래 플랫폼의 스냅샷, 상품 보안 및 야생동물보호 상품 추적에도 사용되고 있다.