[論文レビュー] Highly Efficient Regression for Scalable Person Re-Identification

Hanxiao Wang, Shaogang Gong+1 more|arXiv (Cornell University)|Dec 5, 2016

Video Surveillance and Tracking Methods被引用数 3

ひとこと要約

本稿では、スケーラブルな人物再識別（re-ID）のための高効率回帰（HER）を提案する。re-IDをリッジ回帰問題として定式化し、フィッシャー基準を組み込むことで高速で正確な学習を実現する。HER+により、リアルタイムのインクリメンタルアップデートが可能となり、アクティブラーニングを用いることで人的ラベル付け作業を50%削減しながら、最先端モデルを上回る性能を達成する。また、大規模データセットではバッチ再訓練と比較して最大89.7倍高速である。

ABSTRACT

Existing person re-identification models are poor for scaling up to large data required in real-world applications due to: (1) Complexity: They employ complex models for optimal performance resulting in high computational cost for training at a large scale; (2) Inadaptability: Once trained, they are unsuitable for incremental update to incorporate any new data available. This work proposes a truly scalable solution to re-id by addressing both problems. Specifically, a Highly Efficient Regression (HER) model is formulated by embedding the Fisher's criterion to a ridge regression model for very fast re-id model learning with scalable memory/storage usage. Importantly, this new HER model supports faster than real-time incremental model updates therefore making real-time active learning feasible in re-id with human-in-the-loop. Extensive experiments show that such a simple and fast model not only outperforms notably the state-of-the-art re-id methods, but also is more scalable to large data with additional benefits to active learning for reducing human labelling effort in re-id deployment.

研究の動機と目的

• 既存の人物再識別（re-ID）モデルが直面するスケーラビリティの制限に対処する。具体的には、高い計算コストとインクリメンタル学習のサポートの欠如に起因するものである。
• 再訓練を再び開始する必要のない大規模で累積的なデータセットへの学習を可能にする低複雑性かつスケーラブルなメモリ使用量のモデルを開発する。
• 人間が関与するアクティブラーニングを支援するリアルタイムでインクリメンタルなモデル更新を可能にし、大量の事前ラベル付け済みデータに依存するのを減らす。
• 計算効率を維持したまま再識別性能を向上させ、実世界への展開に適したモデルを実現する。

提案手法

• 人物再識別を多次元リッジ回帰問題として定式化し、高速な学習と推論を実現する閉形式解を用いる。
• リッジ回帰の目的関数にフィッシャー基準を統合することで、クラス分離性を最大化し、速度を犠牲にせずに識別力を保持する。
• HER+を設計し、新規ラベル付きデータの到着に伴い効率的に回帰重みを更新することで、オンラインでのモデル更新を可能にするインクリメンタル拡張を実現する。
• 探索と活用の両方を統合したアクティブラーニング戦略（Joint E²）を実装し、最も情報量の多いサンプルに人間のラベル付けを誘導することで、ラベル付けコストを最小限に抑える。
• 大規模計算を効率的に行うためにLSQRを採用し、10⁴件を超えるサンプルを含むデータセットへのスケーラビリティを実現する。
• バッチ学習とインクリメンタル学習の両設定において、最先端のre-ID手法と性能と学習時間を比較する。

実験結果

リサーチクエスチョン

• RQ1 単純な回帰ベースのモデルが、従来の複雑なモデルよりも著しく高速かつメモリ効率が良く、同時に最先端のre-ID性能を達成できるか？
• RQ2 フィッシャー基準をリッジ回帰に効果的に統合することで、計算コストを増加させることなく識別力を維持できるか？
• RQ3 完全な再訓練を回避するリアルタイムのモデル更新が可能となるインクリメンタル学習をre-IDで達成できるか？
• RQ4 HER+に導かれるアクティブラーニングにより、人的ラベル付け作業を著しく削減しながら、re-IDの正確性を維持または向上できるか？
• RQ5 大規模re-IDデータセットにおいて、HER+によるインクリメンタルアップデートの計算コストは、完全再訓練と比べてどの程度か？

主な発見

• HERはVIPeRおよびCUHK01で最先端のre-ID性能を達成し、100%ラベル付きデータで学習した場合、それぞれRank-1正答率が45.2%および64.7%を記録した。
• HER+は、アクティブラーニングを用いて50%のラベル付きデータでの学習でCUHK01で55.8%のRank-1正答率を達成し、ランダムラベリングで100%データを学習したモデルを上回った。
• Joint E²基準に従うアクティブラーニングは、同じ予算内でランダムラベリングよりも高い正答率を達成しながら、ラベル付け作業を50%削減した。
• HER+は、VIPeR、CUHK01、CUHK03でそれぞれ0.03秒、0.2秒、0.6秒のインクリメンタルアップデート時間を達成し、バッチ再訓練と比較して11.5～89.7倍高速であった。
• HER+は、kLFDA、XQDA、MLAPGといった従来のモデルを再訓練する場合と比較して、大規模データセットへのスケーリングにおいて10,000倍以上高速であった。
• HER+によるインクリメンタルアップデートは、完全バッチ再訓練と同等のモデル性能を維持しており、インクリメンタル学習による精度の低下がないことが確認された。