[論文レビュー] AD-Cluster: Augmented Discriminative Clustering for Domain Adaptive Person Re-identification

Yunpeng Zhai, Shijian Lu+5 more|arXiv (Cornell University)|Apr 19, 2020

Video Surveillance and Tracking Methods参考文献 52被引用数 32

ひとこと要約

AD-Cluster は、ターゲットドメインのサンプルを反復的にクラスタリングし、カメラ間で StarGAN を用いてそれらを拡張し、ミンマックス対立フレームワークを介して識別特徴を学習することで、人の再識別（re-ID）のための教師なしドメイン適応手法を提案します。

ABSTRACT

Domain adaptive person re-identification (re-ID) is a challenging task, especially when person identities in target domains are unknown. Existing methods attempt to address this challenge by transferring image styles or aligning feature distributions across domains, whereas the rich unlabeled samples in target domains are not sufficiently exploited. This paper presents a novel augmented discriminative clustering (AD-Cluster) technique that estimates and augments person clusters in target domains and enforces the discrimination ability of re-ID models with the augmented clusters. AD-Cluster is trained by iterative density-based clustering, adaptive sample augmentation, and discriminative feature learning. It learns an image generator and a feature encoder which aim to maximize the intra-cluster diversity in the sample space and minimize the intra-cluster distance in the feature space in an adversarial min-max manner. Finally, AD-Cluster increases the diversity of sample clusters and improves the discrimination capability of re-ID models greatly. Extensive experiments over Market-1501 and DukeMTMC-reID show that AD-Cluster outperforms the state-of-the-art with large margins.

研究の動機と目的

• ターゲット identities が未知の場合のドメイン適応型人再識別を動機づける。
• クラスタリングと拡張を通じて豊富な未ラベルのターゲットドメインサンプルを活用する。
• サンプルの多様性と特徴分離を同時に学習して識別性を向上させる。
• Market-1501 と DukeMTMC-reID のデータセットで最先端の成果を示す。

提案手法

• ターゲットドメインで偽ラベルを生成する密度ベースのクラスタリング。
• StarGAN を用いたカメラ間でのAdaptive サンプル拡張により、偽ラベルを維持しつつターゲットドメインの多様性を増加。
• 画像生成器と特徴エンコーダ間の対立的ミンマックス学習でサンプル多様性を高め、クラスタ内特徴距離を縮小。
• トリプレットベースの識別学習でクラスタ内距離を最小化し、クラスタ間距離を最大化。
• 偽ラベルを徐々に refine する反復再クラスタリングと再学習。

実験結果

リサーチクエスチョン

• RQ1 ラベルのないターゲットドメインサンプルを manual labeling なしでどのように効果的に活用してドメイン適応型 re-ID を実現できるか。
• RQ2 クロスカメラ画像生成が同一人物を保ちつつサンプル多様性を豊かにし、識別学習を改善できるか。
• RQ3 生成器と特徴エンコーダの間の対立的ミンマックスフレームワークはクラスタ品質と再識別性能を向上させるか。
• RQ4 クラスタリング、拡張、識別学習の各要素が DukeMTMC-reID と Market-1501 の転送性能にどのように寄与するか。

主な発見

手法	DukeMTMC-reID -> Market-1501 R-1	DukeMTMC-reID -> Market-1501 R-5	DukeMTMC-reID -> Market-1501 R-10	DukeMTMC-reID -> Market-1501 mAP	Market-1501 -> DukeMTMC-reID R-1	Market-1501 -> DukeMTMC-reID R-5	Market-1501 -> DukeMTMC-reID R-10	Market-1501 -> DukeMTMC-reID mAP
AD-Cluster (Ours)	86.7	94.4	96.5	68.3	72.6	82.5	85.5	54.1

• AD-Cluster は DukeMTMC-reID → Market-1501 および Market-1501 → DukeMTMC-reID 転送で教師なしドメイン適応性能の最先端を達成。
• DukeMTMC-reID → Market-1501 において、AD-Cluster は 86.7% の rank-1 と 68.3% の mAP を達成（従来最良を顕著に上回る）。
• Market-1501 → DukeMTMC-reID において、AD-Cluster は 72.6% の rank-1 と 54.1% の mAP を達成（従来最良を上回る）。
• Adaptive サンプル拡張と識別学習は、ベースラインおよびアブレーションより順次大きな改善に寄与。
• 反復的ミンマックスクラスタリングは偽ラベルの正確さと全体の再識別指標を密度ベースのクラスタリングのみと比較して改善する。