연구진은 가려진 사람 재식별 문제를 해결하기 위해 Dual Prompt Learning ReID(DPL-ReID) 모델을 제안했어요. 이 모델은 텍스트 힌트를 활용해 가려짐에 강건한 완전한 보행자 의미론을 파악하고, 실제 가려짐 시나리오를 모방하는 데이터 증강 기법을 사용해요.
DPL-ReID는 LSNet을 활용한 가중 게이티드 특징 융합(WGFF) 방법을 통해 CLIP 시각 인코더가 더욱 포괄적인 특징 표현을 생성하도록 유도해요. 이를 통해 가려짐으로 인한 신체 부위 정보의 혼란을 줄여 재식별 성능을 향상시켰어요.
여러 벤치마크 데이터셋 실험 결과, DPL-ReID는 기존 최고 성능을 능가하는 결과를 보여줬으며, 관련 데이터셋은 GitHub에서 확인할 수 있어요.