[논문 리뷰] A Coarse-to-fine Pyramidal Model for Person Re-identification via Multi-Loss Dynamic Training.

Feng Zheng, Xing Sun외 4명|arXiv (Cornell University)|2018. 10. 29.

Video Surveillance and Tracking Methods인용 수 15

한 줄 요약

이 논문은 정밀한 바운딩 박스에 의존하는 것을 줄이기 위해 다중 척도 특징과 동적 훈련 기법을 활용하는 코arse-to-fine 피라미드 모델을 제안한다. 다양한 척도에서 국소적 및 전역적 단서를 통합하고, 동적 훈련을 통해 두 손실을 통합함으로써, 이 방법은 최신 기술 수준의 성능을 달성하여 도전적인 CUHK03 데이터셋에서 이전 최고 성능 기법보다 9.5% 높은 성능을 기록한다.

ABSTRACT

Most existing Re-IDentification (Re-ID) methods are highly dependent on precise bounding boxes that enable images to be aligned with each other. However, due to the inevitable challenging scenarios, current detection models often output inaccurate bounding boxes yet, which inevitably worsen the performance of these Re-ID algorithms. In this paper, to relax the requirement, we propose a novel coarse-to-fine pyramid model that not only incorporates local and global information, but also integrates the gradual cues between them. The pyramid model is able to match the cues at different scales and then search for the correct image of the same identity even when the image pair are not aligned. In addition, in order to learn discriminative identity representation, we explore a dynamic training scheme to seamlessly unify two losses and extract appropriate shared information between them. Experimental results clearly demonstrate that the proposed method achieves the state-of-the-art results on three datasets and it is worth noting that our approach exceeds the current best method by 9.5% on the most challenging dataset CUHK03.

연구 동기 및 목표

• 실세계 상황에서 자주 정확하지 않은 정밀한 지상 진술 바운딩 박스에 의존하는 인물 재식별 모델의 의존도를 줄이기 위해.
• 이미지 쌍이 잘못 정렬되거나 정확하게 검출되지 않은 상황에서 다중 척도 특징 표현을 활용하여 재식별 성능을 향상시키기 위해.
• 더 나은 특징 학습을 위해 다중 손실 함수를 유연하게 통합하는 동적 훈련 전략을 개발하기 위해.
• 피라미드 구조를 통해 코arse 및 파인 그레인 특징을 통합하여 분류 가능한 정체성 표현을 향상시키기 위해.

제안 방법

• 이 방법은 다양한 척도에서 특징을 캡처하는 코어스-투-파인 피라미드 아키텍처를 활용하여, 이미지가 정확하게 정렬되어 있지 않더라도 강력한 매칭을 가능하게 한다.
• 피라미드 수준 간에 국소적 및 전역적 특징을 점진적으로 융합하여 다양한 세부 수준에서 표현 학습을 향상시킨다.
• 두 손실 함수를 동적으로 통합하는 데 중점을 두어 최적화 과정에서 기여도를 적응적으로 조정하는 동적 훈련 기법을 도입한다.
• 동적 손실 통합을 통해 정체성 분류와 메트릭 학습을 동시에 최적화함으로써 분류 가능한 정체성 특징을 학습한다.
• 피라미드 구조는 다양한 척도에서 정확한 매칭을 탐색할 수 있도록 하여, 정렬 불량에 대한 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 바운딩 박스가 정확하지 않은 상황에서 다중 척도 피라미드 모델이 인물 재식별 성능을 향상시킬 수 있는가?
• RQ2 훈련 과정에서 다중 손실 함수를 효과적으로 통합하여 특징의 분류 가능성을 향상시킬 수 있는가?
• RQ3 코어스-투-파인 특징 융합은 재식별에서 정확한 객체 정위치에 대한 의존도를 어느 정도 줄일 수 있는가?
• RQ4 제안된 동적 훈련 기법은 도전적인 재식별 벤치마크에서 더 나은 일반화 및 성능을 이끌어낼 수 있는가?

주요 결과

• 제안된 방법은 세 가지 벤치마크 인물 재식별 데이터셋에서 최신 기술 수준의 성능을 달성한다.
• 가장 도전적인 CUHK03 데이터셋에서, 이 방법은 이전 최고 기법보다 재식별 정확도에서 9.5% 높은 성능을 기록한다.
• 다중 척도 특징 통합 덕분에 잘못 정렬되거나 정확하게 검출되지 않은 바운딩 박스에 대해 강력한 강건성을 보인다.
• 동적 훈련 기법은 두 손실 함수를 성공적으로 통합하여 향상된 특징 학습과 분류 가능한 표현을 이끌어낸다.