[論文レビュー] Dual Distribution Alignment Network for Generalizable Person Re-Identification

Peixian Chen, Pingyang Dai+4 more|arXiv (Cornell University)|Jul 27, 2020

Video Surveillance and Tracking Methods被引用数 8

ひとこと要約

本稿では、複数のソースドメインにおける特徴分布を2段階のレベルで同時に整合化することで、一般化可能な人物再識別を実現するためのデュアルディストリビューションアライメントネットワーク（DDAN）を提案する。2段階の整合化は、ドメイン単位の adversarial 特徴学習とアイデンティティ単位の類似性強化である。本手法は、大規模ベンチマーク上での既存のドメイン一般化手法を著しく上回り、グローバルなドメインシフトとローカルなアイデンティティレベルのドメイン差を両方低減することで、最先端の性能を達成する。

ABSTRACT

Domain generalization (DG) serves as a promising solution to handle person Re-Identification (Re-ID), which trains the model using labels from the source domain alone, and then directly adopts the trained model to the target domain without model updating. However, existing DG approaches are usually disturbed by serious domain variations due to significant dataset variations. Subsequently, DG highly relies on designing domain-invariant features, which is however not well exploited, since most existing approaches directly mix multiple datasets to train DG based models without considering the local dataset similarities, i.e., examples that are very similar but from different domains. In this paper, we present a Dual Distribution Alignment Network (DDAN), which handles this challenge by mapping images into a domain-invariant feature space by selectively aligning distributions of multiple source domains. Such an alignment is conducted by dual-level constraints, i.e., the domain-wise adversarial feature learning and the identity-wise similarity enhancement. We evaluate our DDAN on a large-scale Domain Generalization Re-ID (DG Re-ID) benchmark. Quantitative results demonstrate that the proposed DDAN can well align the distributions of various source domains, and significantly outperforms all existing domain generalization approaches.

研究の動機と目的

• テスト時に未観測ドメインで人物再識別を行う際のドメインシフトの課題に対処すること。
• 顕著な視覚的変化を伴うドメイン間でアイデンティティレベルの類似性を維持できない既存のドメイン一般化手法の限界を克服すること。
• アイデンティティのドメイン間類似性をモデル化することで、ドメイン不変かつ識別性の高い特徴空間を学習すること。
• 二重レベルの制約機構を用いて、検索タスクにおけるドメイン不変性と分類精度のトレードオフを軽減すること。

提案手法

• 本手法は二重レベルの制約を採用する：中央ドメインに周辺ドメインを統合することでグローバルなドメインシフトを低減するドメイン単位の adversarial 特徴学習。
• 同一アイデンティティの特徴が異なるドメイン間で類似性が高まるよう、IDプールを用いたアイデンティティ単位の類似性強化モジュールを導入する。
• 勾配逆伝播フレームワークを採用し、中央ドメインを基準として、周辺ドメインを adversarial 学習によりアライメントする。
• 特徴表現学習の安定化と過剰スムージングの防止を目的に、類似性計算に温度制御されたソフトマックス層を適用する。
• 特徴の識別性と一般化性能を向上させるために、トリプレット損失とアイデンティティ分類損失（IDE）を統合する。
• ドメインアライメント損失（L_DA）、アイデンティティ類似性強化損失（L_SE）、および標準的な分類損失とトリプレット損失を組み合わせて、エンドツーエンドでモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 テストドメインデータが利用不可な状況下でも、ドメイン単位の adversarial 特徴学習がグローバルなドメインシフトを効果的に低減できるか？
• RQ2 視覚的スタイルが異なるドメイン間で、同一アイデンティティの特徴を類似性強化することで一般化性能が向上するか？
• RQ3 単一レベルのドメインアライメントやアイデンティティ専用アライメントと比較して、二重レベルアライメント機構は一般化性能において優れているか？
• RQ4 類似ID数（k）や温度（τ）といったハイパーパrameterの最適な設定は何か？

主な発見

• DDAN は VIPeR で 52.3%、PRID で 54.5%、GRID で 50.6%、i-LIDs で 78.5% のランク-1正答率を達成し、先行するドメイン一般化手法を著しく上回る。
• アブレーションスタディの結果、アイデンティティ単位の類似性強化損失（L_SE）を追加することで最大 4.2% の mAP 向上が確認され、性能向上が最も顕著であった。
• ドメイン単位の adversarial アライメント（L_DA）とアイデンティティ単位の強化（L_SE）の両方を有効に活用したモデルが最良の一般化性能を示し、二重レベル制約の相乗効果が裏付けられた。
• 類似ID数（k）の最適値は 8 であると判明した。k を大きくすると、類似しない例が混入し、性能が低下する。
• 温度ハイパーパrameter τ ≈ 2×10⁻³ が最良の収束と性能を示した。一方、2×10⁻⁵ などの小さい値は学習の不安定性を引き起こした。