[論文レビュー] Unsupervised Domain Adaptive Re-Identification: Theory and Practice

Liangchen Song, Cheng Wang+5 more|arXiv (Cornell University)|Jul 30, 2018

Domain Adaptation and Few-Shot Learning参考文献 16被引用数 66

ひとこと要約

本論文は、理論に基づく無監督のドメイン適応再識別（re-ID）フレームワークを提供し、特徴空間の仮定とクラスタリングを用いた自己学習スキームを導入して偽ラベルを生成し、人物および車両re-IDタスクで検証した。

ABSTRACT

We study the problem of unsupervised domain adaptive re-identification (re-ID) which is an active topic in computer vision but lacks a theoretical foundation. We first extend existing unsupervised domain adaptive classification theories to re-ID tasks. Concretely, we introduce some assumptions on the extracted feature space and then derive several loss functions guided by these assumptions. To optimize them, a novel self-training scheme for unsupervised domain adaptive re-ID tasks is proposed. It iteratively makes guesses for unlabeled target data based on an encoder and trains the encoder based on the guessed labels. Extensive experiments on unsupervised domain adaptive person re-ID and vehicle re-ID tasks with comparisons to the state-of-the-arts confirm the effectiveness of the proposed theories and self-training framework. Our code is available at \url{https://github.com/LcDog/DomainAdaptiveReID}.

研究の動機と目的

• 入力空間の仮定をペアワイズ特徴空間へ適応させることで、無监督のドメイン適応理論をre-IDタスクへ拡張する。
• 3つの特徴空間仮定（共変動シフト、Separately Probabilistic Lipschitzness、weight ratio）を導入し、それに対応する損失を導出する。
• 擬似ラベルを用いてエンコーダを反復的に改良する自己学習フレームワークを提案する。
• 訓練用の高信頼度ターゲットサンプルを選択するためのクラスタリングおよび距離ベース戦略を設計する。
• 大規模な人物および車両re-IDデータセットで有効性を実証する。

提案手法

• 共変動シフトをペアワイズre-IDラベルへ適用する。
• 特徴ペアに対するSeparately Probabilistic Lipschitzness (SPL)を定義し、 intra-/inter-cluster losses (L_intra, L_inter) を導出する。
• ソース/ターゲット特徴分布を整合させる重み比率ベースの損失（L_WR）を組み込む。
• Jaccardベースの類似度（d_J）とターゲットからソースの近接性項（d_W）を組み合わせた距離指標を用い、クラスタリングのための結合行列Mを形成する。
• 距離行列に対してDBSCANクラスタリングを実行し、偽ラベル付きターゲットサンプルを選択する。
• 選択された偽ラベル付きデータでトリプレット損失を用いて訓練し、エンコーダを更新するために反復する。

実験結果

リサーチクエスチョン

• RQ1 3つの特徴空間仮定（共変動シフト、SPL、weight ratio）は、無監督のドメイン適応re-IDに対する学習保証をもたらすか？
• RQ2 エンコーダをどう訓練してSPLを満たし、反復的な自己学習フレームワークでweight ratioを活用できるか？
• RQ3 クラスタリングベースの偽ラベリング戦略は、直接転移や素朴な自己学習よりもドメイン間re-ID性能を向上させるか？
• RQ4 提案された距離指標とクラスタリング手法（k-reciprocal encodingを用いたDBSCAN）は、人物および車両re-IDを横断する場合、どれくらい有効か？

主な発見

• 3つの特徴空間仮定の下での無監督ドメイン適応re-IDに対する理論的保証。
• クラスタリングから得られた偽ラベルを用いてエンコーダを反復的に洗練させる自己学習フレームワーク。
• d_Jとd_Wを組み合わせた距離指標スキームがクラスタリング可能性と偽ラベル品質を向上させる。
• 人物re-IDベンチマークで、直接転移、自己学習のベースライン、他の最先端re-ID法より経験的に改善（例：データセット間設定）。
• 車両re-IDデータセットへのフレームワークの成功裡の拡張と検証、ドメインを超えた汎用性を示す。