[論文レビュー] Auto-ReID: Searching for a Part-aware ConvNet for Person Re-Identification

Ruijie Quan, Xuanyi Dong+3 more|arXiv (Cornell University)|Mar 23, 2019

Video Surveillance and Tracking Methods参考文献 45被引用数 42

ひとこと要約

Auto-ReID はパーツを意識したCNNアーキテクチャを自動的に探索し、再識別専用の検索空間とリトリーバルベース NAS を導入して、パラメータ数を抑えつつ最先端の結果を達成する。

ABSTRACT

Prevailing deep convolutional neural networks (CNNs) for person re-IDentification (reID) are usually built upon ResNet or VGG backbones, which were originally designed for classification. Because reID is different from classification, the architecture should be modified accordingly. We propose to automatically search for a CNN architecture that is specifically suitable for the reID task. There are three aspects to be tackled. First, body structural information plays an important role in reID but it is not encoded in backbones. Second, Neural Architecture Search (NAS) automates the process of architecture design without human effort, but no existing NAS methods incorporate the structure information of input images. Third, reID is essentially a retrieval task but current NAS algorithms are merely designed for classification. To solve these problems, we propose a retrieval-based search algorithm over a specifically designed reID search space, named Auto-ReID. Our Auto-ReID enables the automated approach to find an efficient and effective CNN architecture for reID. Extensive experiments demonstrate that the searched architecture achieves state-of-the-art performance while reducing 50% parameters and 53% FLOPs compared to others.

研究の動機と目的

• 分類バックボーンを超える再識別専用のアーキテクチャ設計の必要性を動機づける。
• 体部位構造を学習可能なモジュールとして表現する新しい再識別指向の検索空間を提案する。
• 再識別の目的を最適化するリトリーバルベースの NAS アルゴリズムを開発する（分類のみではなく）。
• 探索済みアーキテクチャがモデルサイズと計算量を削減しつつ高精度を達成することを実証する。

提案手法

• 再識別検索空間を、体の構造情報を捉える新しいパーツ認識モジュールを組み込むことで設計する。
• パラメータα（アーキテクチャパラメータ）とω（操作パラメータ）をリトリーバル損失の下で最適化する微分可能NASフレームワークを採用する。
• ニューラルセルのトポロジーを探索するResNet風のマクロバックボーンを用いる。
• リトリーバル損失 L_ret = λ L_s + (1 - λ) L_t を導入し NAS を再識別目的に整合させる。
• ImageNet事前学習の有無にかかわらず、標準的な再識別ベンチマークで最終的に探索したCNNを訓練・評価する。

実験結果

リサーチクエスチョン

• RQ1 ニューラルアーキテクチャ探索は分類バックボーンより再識別専用のアーキテクチャを見つけ出し、体の構造をよりよく捉えることができるか。
• RQ2 探索空間に学習可能なパーツ認識モジュールを組み込むことで再識別性能と効率が改善されるか。
• RQ3 リトリーバル指向の NAS 目的は従来の分類ベース NAS 目的より再識別タスクで優れているか。
• RQ4 標準的な再識別ベンチマークでの Auto-ReID アーキテクチャの性能と効率（パラメータ、FLOPs）はどの程度か。

主な発見

• パーツ認識モジュールを備えた Auto-ReID の探索空間は、パラメータ数と FLOPs を大幅に削減しつつ再識別性能が競争力を持つ、あるいは優位なアーキテクチャを生み出す。
• Baseline と比較して、Auto-ReID 探索モデルは Market-1501 で Rank-1 および mAP が高く、CUHK03 および MSMT17 への転移も強い。
• ImageNet pre-training を用いた場合、Auto-ReID は Market-1501 で最先端の性能を達成し、いくつかの手作りバックボーンを上回りつつパラメータを45%以上削減。
• NAS におけるリトリーバル損失の導入は、大半の設定で再識別のCNN品質を改善した。
• アブレーション実験では、再識別専用の探索空間とリトリーバルベースの探索が Baseline、Baseline+ReID Search Space、DARTS/GDAS のベースラインを上回った。