본 논문은 의류 변경이 있는 사람 재식별(CC-ReID) 문제를 해결하기 위해 저렴하고 효율적인 합성 데이터 생성 파이프라인을 제안합니다. 실제 감시 환경을 시뮬레이션하는 제어 가능하고 고품질의 합성 데이터를 생성하여 기존 데이터 기반 모델의 과적합 문제를 해결합니다. 이를 위해 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. 대규모 CCUP 데이터셋을 기반으로 기존 CC-ReID 모델의 일반화 성능을 향상시키는 효과적이고 확장 가능한 사전 학습-미세 조정 프레임워크를 제시합니다. 실험 결과, TransReID와 FIRe^2 모델을 제안된 프레임워크에 통합하여 CCUP에서 사전 학습하고 PRCC, VC-Clothes, NKUP과 같은 벤치마크에서 미세 조정한 결과, 다른 최첨단 모델보다 성능이 우수함을 보였습니다. CCUP 데이터셋은 Github에서 공개됩니다.
