배치 정규화 목 구조가 인물 재식별 모델의 지도 학습 분야에서 좋은 일반화 성능을 보인 이후로, 해당 구조는 도메인 일반화 인물 재식별 분야의 기반 구조가 되었다. 그러나, 도메인 일반화 모델의 학습에 다수의 학습용 도메인이 사용된다는 특성을 고려하지 않고 사용되어 성능이 저하되는 문제가 있다. 지도 학습 분야에서의 배치 정규화 목 구조는 특징들을 넓게 퍼뜨리고 클래스 사이의 결정 경계를 희소하게 만드는 것을 목표로 하는 반면, 다수의 학습용 도메인은 해당 정규화 과정을 방해한다. 본 연구에서는 도메인 일반화 문제에서 배치 정규화 목 구조의 성능을 향상시키기 위하여 다수의 학습용 도메인을 사용하는 문제 설정을 고려한다. 배치 정규화 목 구조의 성능을 최대한 끌어올리기 위하여 DSBNNeck 구조를 제안한다. DSBNNeck 구조는 학습용 도메인 마다 BNNeck 파라미터를 개별로 학습하여, BNNeck 구조가 원래의 용도에 맞게 사용될 수 있도록 한다. 실험 결과에서는 기존 BNNeck 구조를 DSBNNeck 구조로 대신함으로써 모든 도메인 일반화 인물 재식별 모델의 성능을 향상시켰다. 추가 분석 연구에서는 DSBNNeck 구조가 BNNeck 구조의 일반화 성능을 향상시킴을 증명하였다.
After batch normalization neck (BNNeck) has shown great generalization capability in supervised re-ID models, the structure becomes the baseline architecture in domain generalization (DG) problem on person re-identification (re-ID) also. However, the effect of BNNeck is limited since the structure is utilized without considering the problem settings that the DG re-ID models are trained on multiple source domains. While the original BNNeck aims to spread features and increase the sparsity of the decision boundaries, the multiple source domains disturb the normalization. In this thesis, we consider the multiple source domain settings to boost the performances of BNNeck in DG re-ID. We propose a domain-specific batch normalization neck (DSBNNeck) to fully take advantage of the BNNeck structure. DSBNNeck learns the normalization parameters of BNNeck domain-wise, thereby the BNNeck structure is used according to its original purpose. Our experimental results show that every DG re-ID model improves by replacing the BNNeck structure with our DSBNNeck in the four benchmark datasets, VIPeR, PRID, GRID, and i-LIDS. Further analysis demonstrates that our domain-specific normalization enhances the generalizability of the BNNeck structure.