ANFI: 인물 재식별에서 이웃 특징 상호작용에 대한 새로운 접근

ANFI: Rethinking Neighbor Feature Interaction in Person Re-ID

인물 재식별 분야에서 이웃 기반 방법은 이웃 샘플과의 상호작용을 통해 더욱 강력한 표현을 얻음으로써 상당한 성공을 거두었습니다. 그러나 기존 방법들은 오직 유사성 관계에만 의존하며, 이는 선택된 이웃의 신뢰성에 크게 의존합니다. 본 연구에서는 유사성 관계만을 활용하는 방식이 불가피하게 발생하는 잡음 이웃으로 인해 어려운 시나리오에서 종종 실패한다는 것을 확인했습니다. 따라서 잡음 환경에서도 효과적인 상호작용을 가능하게 하기 위해, 다양한 신뢰 조건 하에서 이웃 기반 방법을 재검토하고 새로운 적응형 이웃 특징 상호작용 (ANFI) 방법을 제안합니다. ANFI의 핵심 아이디어는 잡음 이웃으로부터 발생하는 부정적 영향을 고려하여, 샘플들이 오탐 이웃으로부터 여전히 구별될 수 있도록 하는 것입니다. 기존 방법들과 달리, ANFI는 유사성 관계뿐만 아니라 불일치 관계 또한 모델링하며, 이러한 두 가지 유형의 관계에 대해 샘플 단위로 적응적인 가중치를 적용합니다. 잡음 이웃으로부터 발생하는 부정적 영향을 파악하는 것은 전통적인 관계 학습과는 크게 다르기 때문에, 우리는 새로운 이웃 유사성을 기반으로 불일치 관계를 도출하여, 쌍별 유사성보다 더 많은 정보를 제공합니다. 또한, ANFI 모델을 훈련하기 위해 잡음 관계 감독 (NRS)을 제안하여, 점진적으로 모델에 잡음에 대한 강건성을 부여합니다. 표준 환경, 크로스 모달 환경 및 크로스 도메인 환경에서 수행된 광범위한 실험 결과는 이웃 기반 방법 및 재정렬 방법과의 비교를 통해, 다양한 이웃 분포 하에서 본 연구의 우수성을 입증합니다.

In person re-identification, neighbor-based methods have achieved significant success by interacting with neighbor samples to obtain more robust representations. However, existing methods rely only on affinity relations, causing their success to depend heavily on the reliability of selected neighbors. We find that affinity-only interaction often fails in challenging scenarios due to the inevitable presence of noisy neighbors. To enable effective interactions under noisy neighborhoods, we revisit neighbor-based methods under distinct reliability conditions and propose a novel Adaptive Neighbor Feature Interaction (ANFI) method. The core idea of ANFI is to account for negative effects from noisy neighbors, allowing samples to remain distinguishable from false positive neighbors. Unlike existing methods, ANFI models not only affinity relations but also discrepancy relations, and employs sample-wise adaptive weighting for these two types of relations. Given that capturing negative effects from noisy neighbors differs significantly from traditional relation learning, we derive discrepancy relations from a new neighborhood similarity, which provides more information than pairwise similarity. In addition, we propose Noisy Relation Supervision (NRS) to train ANFI, gradually injecting robustness to noisy relations into the model. Extensive experiments conducted under standard, cross-modal, and cross-domain settings, including comparisons with neighbor-based methods and re-ranking methods, demonstrate the superiority of our method across various neighbor distributions.