[論文レビュー] Imitating Targets from all sides: An Unsupervised Transfer Learning method for Person Re-identification

Jiajie Tian, Teng Zhu+4 more|arXiv (Cornell University)|Apr 10, 2019

Video Surveillance and Tracking Methods参考文献 20被引用数 6

ひとこと要約

本論文は、ドメイン間の類似性特徴を活用することで、識別可能な表現を学習する独創的な ImitateModel を用いた二重分類損失を介して、人物再識別におけるデータセット間バイアスとデータセット内変動を軽減する教師なし転移学習手法を提案する。この手法は、ラベルなしのターゲットデータを必要とせず、Market-1501 および DukeMTMC-reID ベンチマークで最先端の性能を達成する。

ABSTRACT

Person re-identification (Re-ID) models usually show a limited performance when they are trained on one dataset and tested on another dataset due to the inter-dataset bias (e.g. completely different identities and backgrounds) and the intra-dataset difference (e.g. camera invariance). In terms of this issue, given a labelled source training set and an unlabelled target training set, we propose an unsupervised transfer learning method characterized by 1) bridging inter-dataset bias and intra-dataset difference via a proposed ImitateModel simultaneously; 2) regarding the unsupervised person Re-ID problem as a semi-supervised learning problem formulated by a dual classification loss to learn a discriminative representation across domains; 3) exploiting the underlying commonality across different domains from the class-style space to improve the generalization ability of re-ID models. Extensive experiments are conducted on two widely employed benchmarks, including Market-1501 and DukeMTMC-reID, and experimental results demonstrate that the proposed method can achieve a competitive performance against other state-of-the-art unsupervised Re-ID approaches.

研究の動機と目的

• 異なるアイデンティティや背景によるデータセット間バイアス（例：異なる人物や背景）およびカメラの違いに起因するデータセット内変動（例：カメラ差）によって引き起こされるドメインシフトの課題に対処すること。
• ターゲットデータにラベルが不要であることを活かして、未ラベルのターゲットデータセットを活用することで、アノテーションなしでモデルの一般化性能を向上させること。
• 教師なし再識別問題を、二重分類損失を用いて半教師あり学習の枠組みとして定式化し、ドメイン間で特徴の識別性を高めること。
• 異なるドメイン間で共通するクラススタイル空間の潜在的類似性を活用することで、モデルの一般化性能を向上させること。

提案手法

• 異なるドメイン間の表現を学習することで、データセット間バイアスとデータセット内変動の両方を同時に軽減する ImitateModel を導入する。
• 教師なし再識別タスクを、ソースのラベル付きデータとターゲットのラベルなしデータの両方を用いて学習する半教師あり学習問題として定式化する。
• 共通する意味的パターンを捉えるクラススタイル空間を通じて、ドメイン間で特徴表現の一貫性を促進することで、識別可能な特徴を学習する。
• クラススタイル空間を活用してドメイン不変特性をモデル化し、未観測ドメインへの一般化能力を強化する。
• ソースドメインでは自己対照的損失を、ターゲットドメインでは疑似ラベルベースの自己学習を組み合わせて、エンドツーエンドでモデルを訓練する。
• 特徴レベルの正規化とメトリック学習を適用し、学習された埋め込み表現の識別力を向上させる。

実験結果

リサーチクエスチョン

• RQ1 教師なし転移学習手法は、人物再識別におけるデータセット間バイアスとデータセット内変動を効果的に低減できるか？
• RQ2 異なるドメイン間で共有されるクラススタイル特徴をモデル化することで、教師なし再識別における一般化性能はどのように向上するか？
• RQ3 ターゲットアノテーションが存在しない状況下で、二重分類損失戦略が識別可能な表現学習をどの程度向上できるか？
• RQ4 提案された ImitateModel は、標準ベンチマークにおいて既存の教師なし再識別手法を上回る性能を示すか？

主な発見

• 提案手法は、Market-1501 および DukeMTMC-reID ベンチマークで競争力のある性能を達成し、他の最先端の教師なし再識別手法を上回る。
• 二重分類損失は、半教師ありのアプローチにより、疑似ラベル付きのターゲットサンプルを活用することで、特徴の識別性を顕著に向上させる。
• ImitateModel は、同時にデータセット間バイアスとデータセット内変動に対処することで、ドメインシフトを効果的に低減する。
• クラススタイル空間を活用することで、異なるドメイン適応シナリオにおいて一貫した性能向上が示され、一般化性能の向上が裏付けられる。
• カメラの視点、照明、背景の変化に起因するドメインシフトに対しても、本手法は強いロバストネスを示す。
• アブレーションスタディの結果、二重損失とクラススタイル空間の両方が最終的な性能向上に有意に寄与していることが確認された。