arXiv:2012.13318

Person Re-Identification using Deep Learning Networks: A Systematic Review

Ankit Yadav, Dinesh Kumar Vishwakarma

제출 2020-12-24

원문 초록

Person re-identification has received a lot of attention from the research community in recent times. Due to its vital role in security based applications, person re-identification lies at the heart of research relevant to tracking robberies, preventing terrorist attacks and other security critical events. While the last decade has seen tremendous growth in re-id approaches, very little review literature exists to comprehend and summarize this progress. This review deals with the latest state-of-the-art deep learning based approaches for person re-identification. While the few existing re-id review works have analysed re-id techniques from a singular aspect, this review evaluates numerous re-id techniques from multiple deep learning aspects such as deep architecture types, common Re-Id challenges (variation in pose, lightning, view, scale, partial or complete occlusion, background clutter), multi-modal Re-Id, cross-domain Re-Id challenges, metric learning approaches and video Re-Id contributions. This review also includes several re-id benchmarks collected over the years, describing their characteristics, specifications and top re-id results obtained on them. The inclusion of the latest deep re-id works makes this a significant contribution to the re-id literature. Lastly, the conclusion and future directions are included.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.14821v1cs.CV공통 태그 Person Re-Identification, Metric Learning

모달 경계의 흐림: 단일 모달에서 다중 모달 인물 재식별(ReID)에 대한 통합 서벡

Blurring Modal Boundaries: A Unified Survey from Single- to Multi-Modal Person Re-ldentification

인물 재식별(ReID)은 지능형 감시 시스템의 핵심 구성 요소로, 분리된 카메라 네트워크 간 신원을 매칭하는 것을 목표로 한다. 전통적인 방법은 주로 단일 모달 RGB 영상에 의존하지만, 낮은 조도와 가림(occlusion)과 같은 환경적 도전 과제에 종종 제약을 받는다. 이러한 한계를 극복하기 위해 해당 분야는 교차 모달(cross-modal) 및 다중 모달(multi-modal) 패러다임으로 빠르게 발전하고 있다. 본 서벡은 이러한 전환에 대한 포괄적인 개요를 제시하며, 직접 가시성을 넘어 지각을 확장하는 신흥 비시선(NLOS, Non-Line-of-Sight) ReID를 포함하여 가시-적외선(VI-ReID), 텍스트-이미지(TI-ReID), 스케치 기반(Sketch-ReID) 등 주요 교차 모달 과제를 체계적으로 검토한다. 또한 3분광(tri-spectral) 및 다중 모달 융합 ReID를 살펴보고, 다양한 센서의 상보적 정보가 어떻게 견고성(robustness)을 향상시키는지 논의한다. 데이터셋, 과제, 방법론을 요약하는 것을 넘어, 모달리티 불변(modality-invariant) 특징을 효과적으로 포착하도록 설계된 가시-적외선 ReID용 트랜스포머 기반 기준선 프레임워크를 제안한다. 마지막으로, 현재 연구 환경을 바탕으로 향후 연구를 위한 여러 유망한 방향을 제시한다.

arXiv:2607.15220v1cs.CV공통 태그 Person Re-Identification, Metric Learning

비지도 가시-적외선 사람 재식별을 위한 구조-의미 상호 학습

Structural-Semantic Reciprocal Learning for Unsupervised Visible-Infrared Person Re-Identification

비지도 가시-적외선 사람 재식별(USVI-ReID)은 큰 모달리티 격차와 교차 모달 신원 주석의 부재로 인해 어렵다. 점진적 연관(association) 패러다임이 간격을 점차 줄이기 위해 제안되었지만, 모호한 전역 표현에 대한 의존과 개방 루프(open-loop) 방식에서의 검증되지 않은 의사 라벨(pseudo-label) 노이즈 전파라는 두 가지 중요한 병목에 시달린다. 이를 해결하기 위해, 우리는 개방 루프 연관을 자기 교정형 폐쇄 루프(closed-loop) 시스템으로 변환하는 프레임워크인 구조-의미 상호 학습(SSRL)을 제안한다. 구조적으로, 우리는 모호한 전역 실루엣을 공간적으로 일관된 구조적 세부 정보로 보완하기 위해 판별력 있는 신체 부위 기본 요소를 신뢰할 수 있는 공간 앵커로 추출하는 세밀한 구조 분리(FSD)를 도입한다. 의미적으로, 우리는 각 에포크마다 공유 의미 프로토타입을 재구성하고 이를 학습 루프에 다시 주입하여 다음 클러스터링 주기 전에 의사 라벨 노이즈를 효과적으로 걸러내는 폐쇄 루프 의미 보정(CSC) 메커니즘을 설계한다. 구조 학습과 의미 학습 간의 상호 작용을 통해 SSRL은 견고한 교차 모달 표현을 달성한다. 광범위한 실험은 SYSU-MM01과 RegDB 모두에서 최신 USVI-ReID 방법 대비 SSRL의 경쟁력 있는 성능을 보여주며, RegDB에서 여러 지도 학습(supervised) 대안을 눈에 띄게 능가한다.

arXiv:2607.09186v1cs.CV공통 태그 Person Re-Identification, Metric Learning

HiHR: 항공-지상 보행자 재식별을 위한 계층적 쌍곡 표현

HiHR: Hierarchical Hyperbolic Representation for Aerial-Ground Person Re-Identification

항공-지상 보행자 재식별(AG-ReID)은 이종(heterogeneous) 항공 및 지상 카메라 플랫폼에서 동일 인물을 검색하는 것을 목표로 한다. 큰 진전이 이루어졌음에도 불구하고, 기존 방법들은 뷰 간 직접적인 특징(feature) 정렬에 의존하여 뷰별 단서를 간과함으로써 최적 이하의 성능에 머물러 있다. 이 문제를 해결하기 위해 우리는 AG-ReID를 위한 새로운 계층적 쌍곡 표현(HiHR, Hierarchical Hyperbolic Representation) 프레임워크를 제안한다. 구체적으로, 먼저 사전학습된 시각-텍스트 인코더를 기반으로 다중 세분성(multi-granularity) 특징을 추출한다. 이후 텍스트 유도 다중 세분성 융합(TMF, Text-guided Multi-granularity Fusion)을 제안하여 다중 세분성 특징을 융합하고 아이덴티티 특징의 표현 능력을 향상시킨다. 나아가 쌍곡 공간(hyperbolic space)에서 계층적 특징 구조를 구성하는 계층적 쌍곡 학습(HHL, Hierarchical Hyperbolic Learning)을 도입한다. 이 계층 구조는 아이덴티티 분리 가능성과 뷰 간 일관성을 보장하는 거친 수준(coarse level)과, 뷰별 판별적 단서를 보존하는 세밀한 수준(fine level)으로 구성된다. 결과적으로 제안된 프레임워크는 AG-ReID를 위한 뷰 불변(view-invariant) 및 뷰별 판별적 특징을 효과적으로 집약할 수 있다. 4개의 AG-ReID 벤치마크에 대한 광범위한 실험을 통해 프레임워크의 효과를 입증한다. 소스 코드는 https://github.com/YangQiWei3/HiHR 에서 확인할 수 있다.

arXiv:2607.09443v1cs.CV공통 태그 Person Re-Identification, Metric Learning

연속 메타데이터 컨디셔닝을 활용한 동물 재식별을 위한 매개변수 효율적 비전-언어 적응

Parameter-Efficient Vision-Language Adaptation with Continuous Metadata Conditioning for Animal Re-Identification

장기 동물 재식별(ReID)은 점진적인 형태학적 변화와 계절적 외관 변화에 강인해야 한다. 최근 비전-언어(vision-language) 모델이 강력한 사전학습 시각 표현을 제공하지만, 이를 종단적 생태 환경에 적응시키는 것은 특히 개체 및 시간적 분포 변화 하에서 여전히 어렵다. 우리는 동물 ReID를 위한 매개변수 효율적 CLIP 적응 프레임워크를 제시하고, 학습 중 프롬프트 표현에 수치적 속성을 직접 통합하는 연속 메타데이터 컨디셔닝 메커니즘을 도입한다. 저순위 시각 적응, 프롬프트 기반 지도, 교차 모달 정렬이 적응 프레임워크를 구성하는 반면, 제안된 메타데이터 컨디셔닝 전략이 주된 방법론적 기여를 이룬다. 수치 메타데이터를 텍스트 범주로 이산화하지 않고 연속 구조를 보존함으로써, 제안된 접근법은 학습 중 임베딩 공간의 부드러운 변조를 가능하게 하면서 순수 시각 추론 파이프라인을 유지한다. 7년간의 종단적 어류 데이터셋과 여러 야생동물 벤치마크에서의 실험은 폐쇄형, 개방형 및 시간 인식 평가 프로토콜 하에서 향상된 성능을 보여준다. 결과는 연속 메타데이터 컨디셔닝이 종단적 외관 변화와 시간적 분포 변화에 대한 강인성을 향상시키는 반면, 매개변수 효율적 적응은 테스트 시 메타데이터 없이도 순수 시각 추론 파이프라인을 가능하게 함을 보여준다. 코드 및 평가 분할은 https://github.com/AnilOsmanTur/MetaPrompt-ReID에서 확인할 수 있다.

arXiv:2607.01353v1cs.CV공통 태그 Person Re-Identification, Metric Learning

비디오 기반 사람 재식별을 위한 공간-시간적 전문가 학습

Spatial-Temporal Expert Learning for Video-based Person Re-identification

비디오 기반 사람 재식별(Re-ID)은 갤러리 비디오 클립에서 쿼리 비디오 클립과 동일한 신원을 검색하는 것을 목표로 한다. 이 문제를 해결하기 위해 세밀한 특징을 활용하는 것이 매우 중요하며, 특히 외형이 유사한 신원을 구별할 때 더욱 그러하다. 본 논문에서는 입력 인식 확장 가능 전문가 모듈(input-aware extendable expert module)을 통해 세밀한 정보를 탐색하는 능력을 향상시키는 방법을 제안한다. 데이터셋의 모든 샘플로 네트워크 파라미터를 업데이트하는 대신, 유사한 샘플만 포함하는 특정 서브셋 내에서 전문가들을 학습시키고 이러한 유사 샘플들 사이에서 세밀한 정보를 활용하는 능력을 향상시키고자 한다. 이를 위해 본 모듈에 두 가지 메커니즘을 통합한다: 입력 인식 전문가 선택 메커니즘과 공간-시간적 선택 메커니즘이다. 첫 번째 메커니즘은 유사 샘플 서브셋에서 전문가 집합을 동적으로 활성화하여 전문가들이 이러한 유사 샘플 간의 미묘한 차이를 활용하도록 유도하며, 두 번째 메커니즘은 공간적·시간적 측면에서의 세밀한 차이에 대한 민감도를 더욱 높이고 전문가들이 서로 다른 입력 샘플에 따라 이를 동적으로 활용할 수 있게 한다. 또한 전문가 모듈을 보완하기 위해, 필요 시 새로운 전문가를 유연하게 추가할 수 있는 확장 가능한 방식을 설계한다. 그 결과, 본 방법은 두 개의 대규모 데이터셋에서 뛰어난 성능을 달성한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.