[論文レビュー] Relation Preserving Triplet Mining for Stabilizing the Triplet Loss in Vehicle Re-identification.

Adhiraj Ghosh, Kuruparan Shanmugalingam+1 more|arXiv (Cornell University)|Oct 15, 2021

Video Surveillance and Tracking Methods参考文献 42被引用数 4

ひとこと要約

本稿では、ポーズの変化によって生じる車両再識別インスタンス内の自然なサブグループを尊重する、新しいトリプレットマイニング戦略である関係保存型トリプレットマイニング（RPTM）を提案する。サンプル間の内在的関係を保持することで、RPTMはトリプレット損失を安定化させ、固定パラメータを有する1つのネットワークが3つの主要ベンチマークで最先端の性能を達成可能にする。

ABSTRACT

Object appearances often change dramatically with pose variations. This creates a challenge for embedding schemes that seek to map instances with the same object ID to locations that are as close as possible. This issue becomes significantly heightened in complex computer vision tasks such as re-identification(re-id). In this paper, we suggest these dramatic appearance changes are indications that an object ID is composed of multiple natural groups and it is counter-productive to forcefully map instances from different groups to a common location. This leads us to introduce Relation Preserving Triplet Mining (RPTM), a feature matching guided triplet mining scheme, that ensures triplets will respect the natural sub-groupings within an object ID. We use this triplet mining mechanism to establish a pose-aware, well-conditioned triplet cost function. This allows a single network to be trained with fixed parameters across three challenging benchmarks, while still providing state-of-the-art re-identification results.

研究の動機と目的

• ポーズの変化に起因する顕著な外観変化に対処すること。
• 自然なサブグループが存在する状況で、同じIDのすべてのインスタンスを1つの埋め込み領域に強制的に統合することは逆効果であることを特定すること。
• 同じID内に存在する内在的サブグループを尊重するトリプレットマイニング機構を開発し、埋め込み品質を向上させること。
• ポーズに適応した、良好に条件付けられたトリプレット損失関数を設計し、複数のベンチマークで固定パラメータを用いた安定な学習を可能とすること。

提案手法

• 同一オブジェクトID内に存在する自然なサブグループを特定・尊重する特徴マッチング誘導型トリプレットマイニング方式として、関係保存型トリプレットマイニング（RPTM）を導入する。
• ポーズに起因する外観変化の構造を活用してトリプレット選択をガイドし、ポジティブサンプルが同じ自然なサブグループから抽出されるように保証する。
• サブグループ内での相対的距離を維持するとともに、ID間の識別性を保つポーズ対応型トリプレット損失関数を定式化する。
• RPTMに従ってガイドされた損失関数を用いて、3つのベンチマークデータセットで固定ハイパーパramータを持つ1つのディープネットワークを学習する。
• 同じIDの異なるサブグループのインスタンスが引き離されないよう、トリプレットマイニングプロセスを制御し、埋め込みの崩壊を低減する。

実験結果

リサーチクエスチョン

• RQ1 どのようにすれば、車両再識別におけるポーズ変化に起因する顕著な外観変化に対処できるトリプレットマイニングを改善できるか？
• RQ2 同じ車両ID内に存在する自然なサブグループは、トリプレット損失の安定性および性能にどの程度影響を及えるか？
• RQ3 関係保存型マイニング戦略は、固定ネットワークパラメータを用いて複数のベンチマークにわたる良好な一般化を実現できるか？
• RQ4 ID内サブグループ構造を保存することで、トリプレット損失関数の条件付けはどのように改善されるか？

主な発見

• RPTMを用いることで、固定ハイパーパramータを用いた1つのディープネットワークが、3つの主要な車両再識別ベンチマークで最先端の性能を達成できる。
• ポーズの変化に起因する自然なサブグループを尊重することで、RPTMはトリプレット損失の安定化を実現し、埋め込みの崩壊を低減する。
• 異なるサブグループを1つの埋め込み領域に強制的に統合するのを避けることで、モデルはより良いID内コンパクトネスを維持する。
• ポーズ対応型で関係保存型のマイニングにより、良好に条件付けられた損失関数が得られ、多様なデータセットにわたり効果的な一般化が実現される。