Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

CCUP: A Controllable Synthetic Data Generation Pipeline for Pretraining Cloth-Changing Person Re-Identification Models

Created by
  • Haebom

저자

Yujian Zhao, Chengru Wu, Yinong Xu, Xuanzheng Du, Ruiyu Li, Guanglin Niu

개요

본 논문은 의류 변경이 있는 사람 재식별(CC-ReID, Long-Term Person Re-Identification) 문제를 해결하기 위해 저비용으로 고품질 합성 데이터를 생성하는 파이프라인을 제안합니다. 특히, 6,000명의 ID, 1,179,976장의 이미지, 100개의 카메라, 개인당 26.5벌의 의상을 포함하는 새로운 자체 주석 CC-ReID 데이터셋인 Cloth-Changing Unreal Person (CCUP)을 구축했습니다. 이 대규모 데이터셋을 기반으로 기존 CC-ReID 모델의 일반화 성능을 향상시키는 효과적이고 확장 가능한 사전 훈련-미세 조정 프레임워크를 제시합니다. 실험 결과, TransReID와 FIRe^2 모델이 CCUP에서 사전 훈련하고 PRCC, VC-Clothes, NKUP과 같은 벤치마크에서 미세 조정한 후 최첨단 모델들을 능가하는 성능을 보였습니다. CCUP 데이터셋은 GitHub에서 공개됩니다.

시사점, 한계점

•
시사점:
◦
저비용으로 고품질의 CC-ReID 합성 데이터 생성 파이프라인 제시
◦
대규모 CC-ReID 데이터셋 CCUP 구축 및 공개 (6,000 IDs, 1,179,976 images)
◦
사전 훈련-미세 조정 프레임워크를 통해 기존 CC-ReID 모델 성능 향상
◦
다양한 벤치마크 데이터셋에서 SOTA 성능 달성
•
한계점:
◦
합성 데이터의 한계: 실제 데이터와의 차이로 인한 성능 저하 가능성 존재
◦
특정 모델에 대한 최적화: 제안된 프레임워크가 모든 CC-ReID 모델에 적용 가능한지 추가 검증 필요
◦
데이터셋의 다양성: 실제 환경의 다양한 변수(조명, 뷰포인트 등)를 완벽하게 반영하지 못할 가능성 존재
👍
Made with Slashpage