[論文レビュー] One Shot Domain Adaptation for Person Re-Identification

Yang Fu, Yunchao Wei+5 more|arXiv (Cornell University)|Nov 26, 2018

Video Surveillance and Tracking Methods被引用数 3

ひとこと要約

本稿では、人物再識別における自己教師ありドメイン適応手法として、自己類似性グルーピング（SSG）を提案する。SSGは、グローバルおよびローカル特徴の類似性に基づいて、ラベルなしのターゲットドメインサンプルをクラスタリングし、擬似IDを生成する。繰り返しグルーピングと学習を実行することで、DukeMTMC→Market1501およびMarket1501→DukeMTMCのベンチマークでそれぞれ4.6%および4.4%のmAP向上を達成する。さらに、クラスタリングをガイドとする半教師あり拡張手法であるSSG++により、さらなる性能向上が得られる。

ABSTRACT

Domain adaptation in person re-identification (re-ID) has always been a challenging task. In this work, we explore how to harness the natural similar characteristics existing in the samples from the target domain for learning to conduct person re-ID in an unsupervised manner. Concretely, we propose a Self-similarity Grouping (SSG) approach, which exploits the potential similarity (from global body to local parts) of unlabeled samples to automatically build multiple clusters from different views. These independent clusters are then assigned with labels, which serve as the pseudo identities to supervise the training process. We repeatedly and alternatively conduct such a grouping and training process until the model is stable. Despite the apparent simplify, our SSG outperforms the state-of-the-arts by more than 4.6% (DukeMTMC to Market1501) and 4.4% (Market1501 to DukeMTMC) in mAP, respectively. Upon our SSG, we further introduce a clustering-guided semisupervised approach named SSG ++ to conduct the one-shot domain adaption in an open set setting (i.e. the number of independent identities from the target domain is unknown). Without spending much effort on labeling, our SSG ++ can further promote the mAP upon SSG by 10.7% and 6.9%, respectively. Our Code is available at: this https URL .

研究の動機と目的

• ラベルなしのターゲットドメインデータが利用できない人物再識別における教師なしドメイン適応の課題に対処すること。
• ラベルなしのターゲットサンプルに内在する類似性パターンを活用し、訓練用の信頼性の高い擬似IDを自動生成すること。
• クラスタリングとモデル最適化を交互に繰り返す自己学習フレームワークを構築し、耐性および性能を向上させること。
• ターゲットドメインのID数が未知であるオープンセット設定に拡張し、実用的導入を可能にすること。

提案手法

• グローバルボディとローカルパーツからのマルチビュー特徴を用いて、ラベルなしのターゲットサンプルをクラスタリングする自己類似性グルーピング（SSG）を提案する。
• クラスタ内の類似性に基づいて、そのクラスタに擬似IDを割り当て、モデル学習時にその監督信号として利用する。
• 反復的で交互なプロセスを採用：現在のモデル特徴を用いてサンプルをクラスタリングし、生成された擬似ラベルでモデルを再訓練する。
• クラスタリングをガイドとする半教師あり拡張手法であるSSG++を導入し、オープンセットドメイン適応設定において追加の弱いラベル付きデータを統合する。
• 対照的損失を用いた深層度量学習により、クラスタ内およびクラスタ間での特徴の識別性を向上させる。
• 深層ニューラルネットワークからの特徴表現を活用し、同じ人物の多様なビュー間での有効な類似性計算を可能にする。

実験結果

リサーチクエスチョン

• RQ1 ラベルなしのターゲットサンプル同士の内在的類似性を、教師なし人物再識別における信頼性の高い擬似IDの生成に効果的に活用できるか？
• RQ2 ラベルなしターゲットデータが一切ない状況でも、反復的クラスタリングとモデル最適化がドメイン適応性能を向上させられるか？
• RQ3 少数のラベル付きサンプルしか利用できないオープンセットドメイン適応設定において、クラスタリングをガイドとする半教師あり手法が性能をさらに向上させられるか？
• RQ4 マルチビュー特徴（グローバルおよびローカル）を用いることで、クラスタリングの質と後続の再識別精度にどのような影響があるか？

主な発見

• SSGは、最先端手法と比較して、DukeMTMC→Market1501のクロスドメイン再識別ベンチマークでmAPが4.6%向上した。
• SSGは、Market1501→DukeMTMCの設定でもmAPが4.4%向上し、ドメイン間での優れた一般化性能を示した。
• SSG++は、DukeMTMC→Market1501でmAPが10.7%、Market1501→DukeMTMCで6.9%向上し、半教師ありオープンセット適応における有効性を示した。
• SSGの反復的自己学習ループにより、モデルの安定性と複数回の実行における一貫性のある性能向上が得られた。
• マルチビュー類似性（グローバルおよびローカル）の活用により、クラスタリングの質とID識別能が顕著に向上した。
• 未知の数のIDがターゲットドメインに存在する状況、つまりオープンセット設定においても、本手法は良好な一般化性能を示した。