[論文レビュー] AdaptiveReID: Adaptive L2 Regularization in Person Re-Identification.

Xingyang Ni, Liang Fang+1 more|arXiv (Cornell University)|Jul 15, 2020

Video Surveillance and Tracking Methods被引用数 7

ひとこと要約

AdaptiveReIDは、訓練中に正則化係数を動的に調整する学習可能でバックプロパゲーション可能なL2正則化メカニズムを提案する。固定されたハイパーパrameterに代わるものであり、大規模なMSMT17データセット上で最先端の性能を達成し、person re-identificationにおける一般化性能の向上を示している。

ABSTRACT

We introduce an adaptive L2 regularization mechanism termed AdaptiveReID, in the setting of person re-identification. In the literature, it is common practice to utilize hand-picked regularization factors which remain constant throughout the training procedure. Unlike existing approaches, the regularization factors in our proposed method are updated adaptively through backpropagation. This is achieved by incorporating trainable scalar variables as the regularization factors, which are further fed into a scaled hard sigmoid function. Extensive experiments on the Market-1501, DukeMTMC-reID and MSMT17 datasets validate the effectiveness of our framework. Most notably, we obtain state-of-the-art performance on MSMT17, which is the largest dataset for person re-identification. Source code will be published at this https URL.

研究の動機と目的

• person re-identificationモデルにおける固定で手動で調整されたL2正則化係数の限界を解消すること。
• 訓練中に正則化係数を適応的に調整することで、モデルの一般化性能を向上させること。
• 深層学習のReIDにおける動的ワイドスケーリングのための微分可能で学習可能なメカニズムを開発すること。
• 特にMSMT17を含む大規模なperson re-identificationベンチマークで最先端の性能を達成すること。

提案手法

• 固定されたハイパーパrameterに代わる、学習可能なスカラーパラメータとしての適応的L2正則化係数を導入する。
• 値を0から1の間で制約するため、スケーリングされたハードシグモイド活性化関数を損失関数に統合する。
• エンドツーエンドの訓練中にバックプロパゲーションにより正則化係数を更新する。
• 最適化プロセスに適応的係数を埋め込むことで、標準的なディープラーニングフレームワークとの互換性を維持する。
• person re-identificationのための深層メトリクス学習モデルにこのメカニズムを適用する。

実験結果

リサーチクエスチョン

• RQ1 適応的で学習可能なL2正則化は、固定された正則化と比較してperson re-identificationの性能を向上させるか？
• RQ2 正則化係数をエンドツーエンドで最適化することで、大規模データセットにおけるより良い一般化が達成されるか？
• RQ3 提案手法は、最も挑戦的なReIDベンチマークであるMSMT17で最先端の結果を達成できるか？
• RQ4 収束性と頑健性の観点から、適応的正則化メカニズムは標準的なワイドスケーリングと比較して優れているか？

主な発見

• AdaptiveReIDは、最大の大規模person re-identificationベンチマークであるMSMT17データセットで最先端の性能を達成した。
• 訓練中に正則化強度を動的に調整することで、モデルの一般化性能が向上した。
• 微分可能で学習可能な正則化係数の使用により、深層メトリクス学習における特徴の識別性能が向上した。
• 評価されたすべてのデータセットにおいて、標準的な固定L2正則化よりも、適応的正則化メカニズムがre-ID精度で優れた結果を示した。