심층 신경망을 통한 반사광-주변부 특징 분리 기반의 주야간 차량 재식별에 대한 연구 = A Study on Day?Night Vehicle Re-Identification Based on Reflectance?Ambient Feature Disentanglement Using Deep Neural Networks

국문 초록 (Abstract)

서로 다른 시간대에서 차량을 재식별하는 문제는 지능형 감시 시스템에서 매우 중요 한 과제로, 조명이 다른 여러 비 중첩 카메라에서 동일한 차량을 정확하게 매칭하는 것을 목표로 한다. 기존 방식들은 주간과 야간 이미지 간 발생하는 도메인 차이, 특히 조명 변화와 빛 번짐 현상을 효과적으로 처리하지 못한다는 한계가 있다. 이러한 문제 를 해결하기 위해 본 연구에서는 Reflectance-Ambient Feature Learning（RAFL）이라는 새로운 프레임워크를 제안한다. RAFL은 오프라인 반사광 분해를 활용하여 구조적 반 사 특징과 주변 광원 요소를 분리함으로써 두 정보를 독립적으로 학습한다. 또한 분리 형 배치 정규화와 도메인 완화 모듈을 통합함으로써, 도메인 간 차이를 감소시키면서 도 ID 판별에 중요한 특징은 효과적으로 보존한다.
추가적으로, RAFL은 반사 기반의 구조적 단서와 조명 기반의 변화 요인을 분리함으로 써 야간 이미지에서 흔히 발생하는 저조도 노이즈, 헤드라이트로 인한 국지적 밝기 불 균형과 같은 교란 요소에 대해 높은 안정성을 보인다. 더불어, 두 특성 공간 간의 상호 간섭을 줄이기 위해 설계된 정규화 전략과 손실 함수 구성은 도메인 간 변화를 구조 적으로 억제하며, 동일 차량의 특징 군집 더 밀집되게 형성하도록 돕는다. 이를 통해 RAFL은 도메인 차이가 큰 실제 감시 환경에서도 일관된 표현력을 유지하며, 다양한 시간대·조명 조건에서 강건한 차량 재식별을 가능하게 한다.
벤치마크 데이터셋에서의 실험 결과, 제안된 방법은 기존 기법 대비 Rank-1 정확도에 서 최대 4.0% 향상, mAP에서 1.5% 이상의 성능 향상을 달성하며 최신 성능을 기록하 였다. 이는 특징 분해 가 실제 감시 환경에서 강인한 교차 도메인 차량 재식별을 구현 하는 데 매우 효과적임을 보여준다

다국어 초록 (Multilingual Abstract)

Vehicle re-identification across different time domains is a crucial task in intelligent s systems, aiming to accurately match the same vehicle across multiple non-overlapping cameras operating under distinct lighting conditions. Existing approaches often struggle to address the severe domain discrepancy between daytime and nighttime, particularly the challenges posed by illumination changes and glare artifacts. To overcome these limitations, this study proposes a novel framework, Reflectance-Ambient Feature Learning （RAFL）.
RAFL leverages offline reflectance decomposition to disentangle structural reflectance information from ambient lighting components, enabling the model to learn both cues independently. Furthermore, the framework integrates separated batch normalization and a domain alleviation module to reduce domain discrepancies while effectively preserving identity-discriminative features. Beyond disentanglement, RAFL provides enhanced robustness against typical nighttime degradations—low-light noise and localized brightness fluctuations caused by vehicle headlights—by separately modeling reflectance and illumination cues. The normalization strategy and loss design mitigate interference between the two feature spaces, promoting tighter intra-class clustering and suppressing domain-induced variations. As a result, RAFL achieves consistent and reliable representation learning. Extensive experiments demonstrate that the proposed method achieves state-of-the-art performance, improving Rank-1 and mAP compared to existing methods.

목차 (Table of Contents)

• 1. 서론 1
• 1.1. 연구 배경 1
• 1.2. 연구 목표 및 구성 11
• 2. 관련 연구 13
• 2.1. 차량 재식별 13
• 2.2. 교차 모드 인식 기반 인물 재식별 16
• 2.3. 도메인 간 차량 재식별 21
• 3. 제안 하는 방법 22
• 3.1. Retinex 분해 네트워크 22
• 3.2. 반사광-주변광 특징 학습 26
• 3.3. Backbone Network 36
• 4. 실험 및 결과 41
• 4.1. Datasets and Setting 41
• 4.2. Criterion 46
• 4.3. 실험 결과 48
• 4.4 구성요소 소거 실험 개요 52
• 4.5 기타 분석 55
• 5. 결론 63
• [참고 문헌] 65
• Abstract （in Engilish） 70