[論文レビュー] Re-ID done right: towards good practices for person re-identification

Jon Almazán, Bojana Gajić+2 more|arXiv (Cornell University)|Jan 16, 2018

Video Surveillance and Tracking Methods参考文献 31被引用数 93

ひとこと要約

本論文は、個人再識別のためのグローバル画像表現を学習するための実用的な設計および学習原則の集合を特定・検証し、明示的なアライメントやアテンションモジュールなしで最先端の結果を達成します。

ABSTRACT

Training a deep architecture using a ranking loss has become standard for the person re-identification task. Increasingly, these deep architectures include additional components that leverage part detections, attribute predictions, pose estimators and other auxiliary information, in order to more effectively localize and align discriminative image regions. In this paper we adopt a different approach and carefully design each component of a simple deep architecture and, critically, the strategy for training it effectively for person re-identification. We extensively evaluate each design choice, leading to a list of good practices for person re-identification. By following these practices, our approach outperforms the state of the art, including more complex methods with auxiliary components, by large margins on four benchmark datasets. We also provide a qualitative analysis of our trained representation which indicates that, while compact, it is able to capture information from localized and discriminative regions, in a manner akin to an implicit attention mechanism.

研究の動機と目的

• グローバルな画像表現を構築する際に、 re-ID性能を向上させる設計・学習実践の集合を特定する。
• 再識別精度に対するアーキテクチャの選択、データ拡張、学習戦略の影響を評価する。
• 単純でよく訓練されたグローバル記述子が、複雑な手法を複数のベンチマークで上回ることを示す。
• 学習された埋め込みが衣服や他の識別手掛かりにどのように注目するかについて定性的洞察を提供する。

提案手法

• 入力トリプレット（クエリ、ポジティブ、ネガティブ）から埋め込みを生成するために、重みを共有する三ストリームのシーメーズネットワークを使用する。
• マージンを設けて、ポジティブをクエリに近づけ、ネガティブより近づけるようにランク付きトリプレット損失で訓練する。
• 入力画像を拡大して歪みを避ける。可変サイズの画像を処理する際に有効バッチサイズを維持するために勾配を蓄積する。
• ランキング目的前にImageNetでバックボーンを事前訓練し、識別分類の微調整を行う（カリキュラム学習）。
• オクルージョンへの頑健性と正則化を改善するためにcut-outデータ拡張を用い、難易度の高いトリプレットを選択する hard triplet mining を適用する。
• アブレーション研究を通じて主要な設計選択を示し、4つのデータセットで最新手法と比較する。

実験結果

リサーチクエスチョン

• RQ1 慎重に設計された実践で訓練された単純なグローバル表現が、より複雑な re-ID モデルを上回ることができますか？
• RQ2 どのアーキテクチャや訓練選択が re-ID性能に最も影響しますか？
• RQ3 カリキュラム学習と hard triplet mining は、収束と再識別精度に実質的に寄与しますか？
• RQ4 高解像度で非アライメントのグローバル埋め込みが、データセットを横断した堅牢な再識別の識別手掛かりをどの程度捉えられるか？

主な発見

• 4つのベンチマークで最先端の結果を達成；Market-1501では、mAP 81.2%（多くのベースラインの 72.9–73.1 に対して）および従来技術より最大8.1ポイントの改善。
• Market MQで mAP 92.2%、rank-1 94.7%；Duke-reIDでは mAP 72.8%、rank-1 87.3%（従来技術に対する顕著な改善）。
• Person Search データセットで mAP 92.6%、強い rank-1 79.7%（従来最高より14.7ポイント上回る）。
• ResNet-101/152 バックボーンは ResNet-50 より顕著な向上を提供；ランキング前の識別分類の事前訓練が結果を大幅に改善。
• Cut-outデータ拡張は不可欠で、標準の反転・切り抜きよりも優れている。最良の性能には大きく歪みのない入力解像度（416 px）が重要。
• 学習済み埋め込みから暗黙のアテンションが現れ、明示的なアライメントやアテンションモジュールなしに識別的領域（例：衣服の縁、リュックサック）を局在化する。