[論文レビュー] Towards better Validity: Dispersion based Clustering for Unsupervised Person Re-identification

Guodong Ding, Salman H. Khan+3 more|arXiv (Cornell University)|Jun 4, 2019

Video Surveillance and Tracking Methods参考文献 47被引用数 19

ひとこと要約

本論文は、統計的分散を用いたクラスタリング手法（DBC）を提案し、不完全なラベルなしで人物再識別を行う際のクラスタの妥当性を向上させる。本手法は、クラスタ内凝集性とクラスタ間分離性を同時に最適化することで、従来の最先端手法と比較して顕著な性能向上を達成し、Market-1501では69.2%のrank-1と41.3%のmAP、DukeMTMC-VideoReIDでは75.2%のrank-1と66.1%のmAPを達成した。

ABSTRACT

Person re-identification aims to establish the correct identity correspondences of a person moving through a non-overlapping multi-camera installation. Recent advances based on deep learning models for this task mainly focus on supervised learning scenarios where accurate annotations are assumed to be available for each setup. Annotating large scale datasets for person re-identification is demanding and burdensome, which renders the deployment of such supervised approaches to real-world applications infeasible. Therefore, it is necessary to train models without explicit supervision in an autonomous manner. In this paper, we propose an elegant and practical clustering approach for unsupervised person re-identification based on the cluster validity consideration. Concretely, we explore a fundamental concept in statistics, namely \emph{dispersion}, to achieve a robust clustering criterion. Dispersion reflects the compactness of a cluster when employed at the intra-cluster level and reveals the separation when measured at the inter-cluster level. With this insight, we design a novel Dispersion-based Clustering (DBC) approach which can discover the underlying patterns in data. This approach considers a wider context of sample-level pairwise relationships to achieve a robust cluster affinity assessment which handles the complications may arise due to prevalent imbalanced data distributions. Additionally, our solution can automatically prioritize standalone data points and prevents inferior clustering. Our extensive experimental analysis on image and video re-identification benchmarks demonstrate that our method outperforms the state-of-the-art unsupervised methods by a significant margin. Code is available at https://github.com/gddingcs/Dispersion-based-Clustering.git.

研究の動機と目的

• 高コストな手動ラベリングが現実的でないため、不完全なラベルなしの人物再識別における課題に対処する。
• 固定されたクラスタ数に依存するか、最適でない統合ヒューリスティクスに依存する既存のクラスタリング手法の限界を克服する。
• 実世界の人物再識別データセットに一般的に見られる不均衡なデータ分布におけるクラスタリングのロバスト性を向上させる。
• 外部の教師信号なしで、シングルトンポイント（単一データ点）を自然に処理し、劣悪なクラスタリングを防ぐクラスタ妥当性基準を開発する。
• ラベル付きデータや補助データセットに依存せずに、画像および動画ベースの再識別ベンチマークで最先端の性能を達成する。

提案手法

• クラスタ品質をクラスタ内凝集性とクラスタ間分離性の両面で評価する分散に基づくクラスタリング（DBC）フレームワークを提案する。
• 分散に基づく統合基準を定義：低クラスタ内分散（凝集性の高いクラスタ）と高クラスタ間分散（分離性の高いクラスタ）が優先される。
• クラスタ間分散の測定として、クラスタ間の平均連結法（average linkage）を用い、統合意思決定を支援する。
• 広範なペアワイズ関係を考慮する分散に基づく類似度評価を組み込み、不均衡な分布に対して高いロバスト性を実現する。
• 自動的にシングルトンポイントを検出し、低品質なクラスタへの含めを回避する。
• 事前に設定されたクラスタ数を必要とせず、階層的かつボトムアップにDBCアルゴリズムを適用し、分散基準に基づいて繰り返しクラスタを統合する。

実験結果

リサーチクエスチョン

• RQ1 統計的に根拠のあるクラスタ妥当性指標は、不完全なラベルなしの人物再識別におけるクラスタリング性能を向上させ得るか？
• RQ2 分散に基づくクラスタリングは、複雑で不均衡なデータ分布を扱う際、最小距離などのヒューリスティック統合ルールと比較してどのように優れているか？
• RQ3 分散基準は、同一でないアイデンティティが誤って統合されるのをどの程度防げるか？ 一方で、クラスタの凝集性は維持できるか？
• RQ4 本手法は、外部の教師信号なしで、画像および動画ベースの再識別ベンチマークに一般化して効果的に機能するか？
• RQ5 補助的教師信号（例：属性ラベルやワンショット学習）を用いる最先端の弱教師あり手法と比較して、本手法は完全に不完全なラベルなしの設定でも性能を上回るか？

主な発見

• 提案手法DBCは、Market-1501で69.2%のrank-1と41.3%のmAPを達成し、以前のSOTA手法BUCをrank-1で3ポイント上回った。
• DukeMTMC-reIDでは、DBCが68.5%のrank-1と42.1%のmAPを達成し、不完全なラベルなしベースライン手法に対して一貫した改善を示した。
• 動画ベースのベンチマークでは、DukeMTMC-VideoReIDで75.2%のrank-1と66.1%のmAPを達成し、BUCをrank-1で6ポイント、mAPで4.2ポイント上回った。
• 複数のクラスタリング段階にわたり安定した性能を維持しており、BUCと比較して精度の低下が遅く、クラスタ数の変動に対してより高いロバスト性を示した。
• 属性ラベル（TJ-AIDL）やワンショット学習（EUG）を用いる手法と比較しても、DBCはそれぞれ11%および13.4%高いrank-1精度を達成したが、これは完全に不完全なラベルなしの設定であるにもかかわらずである。
• T-SNE可視化による定性的分析から、DBCは同一アイデンティティのサンプルを効果的にグループ化している一方で、外見的に似ているが異なるアイデンティティ同士の誤統合を最小限に抑えることが確認された。