[논문 리뷰] A Competitive Method for Dog Nose-print Re-identification

Fei Shen, Zhe Wang외 5명|arXiv (Cornell University)|2022. 05. 31.

Biometric Identification and Security인용 수 8

한 줄 요약

이 논문은 고도로 발전한 데이터 증강, 다중 손실 최적화(교차 엔트로피, 트리플릿, 서클 손실) 및 모델 앙상블 전략을 활용한 강건한 딥러닝 프레임워크를 제안한다. 이는 CVPR 2022 반려동물 생체인식 챌린지에서 테스트 세트에서 86.67% AUC를 기록하여, 제한된 레이블 데이터와 훈련 및 테스트 세트 간 도메인 이탈에도 불구하고 뛰어난 성능을 보였다.

ABSTRACT

Vision-based pattern identification (such as face, fingerprint, iris etc.) has been successfully applied in human biometrics for a long history. However, dog nose-print authentication is a challenging problem since the lack of a large amount of labeled data. For that, this paper presents our proposed methods for dog nose-print authentication (Re-ID) task in CVPR 2022 pet biometric challenge. First, considering the problem that each class only with few samples in the training set, we propose an automatic offline data augmentation strategy. Then, for the difference in sample styles between the training and test datasets, we employ joint cross-entropy, triplet and pair-wise circle losses function for network optimization. Finally, with multiple models ensembled adopted, our methods achieve 86.67\% AUC on the test set. Codes are available at https://github.com/muzishen/Pet-ReID-IMAG.

연구 동기 및 목표

• 제한된 레이블 데이터로 인해 저샷, 불균형한 개 코무늬 재식별 문제를 해결한다.
• 스타일 및 분포 차이로 인한 훈련 데이터와 테스트 데이터 간 도메인 이탈을 완화한다.
• 고도로 발전한 데이터 증강 및 손실 함수를 활용해 특징의 강건성과 모델 일반화 능력을 향상시킨다.
• AUC 지표에 중점을 두고 CVPR 2022 반려동물 생체인식 챌린지에서 높은 성능을 달성한다.
• 딥 메트릭 러닝을 활용한 반려동물 신원 확인을 위한 확장 가능하고 효과적인 파이프라인을 개발한다.

제안 방법

• AugMix, 애핀 변환, 자르기, 색상 왜곡, 블러, 오토증강을 포함한 자동 오프라인 데이터 증강을 적용하여 훈련 데이터의 다양성을 높인다.
• 교차 엔트로피, 트리플릿 손실, 쌍별 서클 손실을 조합한 다중 손실 최적화 전략을 활용해 특징의 분류 능력을 향상시킨다.
• 주로 특징 추출을 향상시키기 위해 어텐션과 인스턴스 배치 정규화를 갖춘 여러 백본(ResNet, ResNeSt, ResNeXt, Swin Transformer, ConvNet, Res2Net)을 활용한다.
• 어텐션 풀링, GeM 풀링, 평균 풀링, 최대 풀링을 사용해 특징 집약을 구현하여 전역 이미지 표현을 생성한다.
• 분류 및 임bedding 학습 최적화를 위해 배치 정규화, 선형, 감소 헤드를 조합한 하이브리드 헤드 아키텍처를 구현한다.
• 재랭킹 및 테스트 성능 향상을 위해 추론 중에 상위-k 갤러리 매칭의 특징 평균을 사용해 쿼리 확장 기법을 적용한다.

실험 결과

연구 질문

• RQ1 어떤 데이터 증강 전략이 개 코무늬 재식별의 저데이터 환경에서 모델의 강건성을 향상시키는가?
• RQ2 교차 엔트로피, 트리플릿, 서클 손실을 포함한 다중 손실 최적화 기법이 반려동물 Re-ID에서 특징의 분류 능력을 얼마나 향상시키는가?
• RQ3 다양한 스케일과 다수의 백본 특징을 활용한 모델 앙상블은 일반화 오차를 얼마나 효과적으로 줄이는가?
• RQ4 고도로 발전한 증강 기법과 손실 함수를 활용해 훈련 및 테스트 데이터 간 도메인 이탈을 효과적으로 완화할 수 있는가?
• RQ5 AUC를 최대화하기 위해 최적의 백본, 증강 기법, 손실 함수 조합은 무엇인가?

주요 결과

• 제안된 방법은 테스트 세트에서 86.67% AUC를 기록하여 CVPR 2022 반려동물 생체인식 챌린지에서 경쟁력 있는 순위를 확보했다.
• AugMix, 오토증강, 색상 왜곡의 조합이 검증 AUC를 87.2%에서 91.7%로 향상시켰다.
• 다양한 입력 크기(224×224, 256×256, 288×288)를 활용한 ResNeSt-200가 검증 AUC 91.9%로 가장 높은 성능을 기록했다.
• ResNeSt-101과 ResNeSt-200 특징을 활용한 모델 앙상블로 테스트 AUC가 단일 모델의 86.1%에서 86.7%로 향상되었다.
• 절단 실험을 통해 블러 및 자르기 증강 기법이 성능 향상에 크게 기여했으며, 기준 모델 대비 4.5%의 AUC 향상이 이루어졌다.
• 추론 중 쿼리 확장을 통해 상위-k 갤러리 매칭의 특징 평균을 활용함으로써 재랭킹 정확도가 더욱 향상되었다.