[논문 리뷰] ABD-Net: Attentive but Diverse Person Re-Identification

Tianlong Chen, Shaojin Ding외 6명|ArXiv.org|2019. 08. 03.

Video Surveillance and Tracking Methods참고 문헌 64인용 수 64

한 줄 요약

ABD-Net은 채널 및 위치 주의(attention)와 새로운 SVDO 직교 정규화(orthogonality regularizer)를 결합하여 활성화와 가중치의 다양성을 보장하고, 주요 Re-ID 벤치마크에서 최첨단 성능을 달성합니다.

ABSTRACT

Attention mechanism has been shown to be effective for person re-identification (Re-ID). However, the learned attentive feature embeddings which are often not naturally diverse nor uncorrelated, will compromise the retrieval performance based on the Euclidean distance. We advocate that enforcing diversity could greatly complement the power of attention. To this end, we propose an Attentive but Diverse Network (ABD-Net), which seamlessly integrates attention modules and diversity regularization throughout the entire network, to learn features that are representative, robust, and more discriminative. Specifically, we introduce a pair of complementary attention modules, focusing on channel aggregation and position awareness, respectively. Furthermore, a new efficient form of orthogonality constraint is derived to enforce orthogonality on both hidden activations and weights. Through careful ablation studies, we verify that the proposed attentive and diverse terms each contributes to the performance gains of ABD-Net. On three popular benchmarks, ABD-Net consistently outperforms existing state-of-the-art methods.

연구 동기 및 목표

• 주의 집중과 특징 다양성의 통합을 동기화하여 Re-ID 판별력을 향상시킨다.
• 강건하고 구분 가능한 특징을 포착하기 위해 채널과 위치의 보완적 주의 모듈을 개발한다.
• 계산 부담 없이 특징과 가중치의 상관관계를 줄이기 위한 SVDO 기반 직교성 도입한다.
• 주의 집중과 다양성이 결합될 때 주의 집중 단독 또는 다양성 단독보다 성능이 더 향상됨을 보여준다.

제안 방법

• 채널 주의 모듈(CAM)과 위치 주의 모듈(PAM)을 갖춘 복합 주의 프레임워크를 구현하여 채널별 및 공간 의존성을 포착한다.
• 잠재 활성화(O.F.)와 가중치(O.W.) 모두에 대해 새로운 스펙트럴 값 차이 직교성(SVDO) 규제를 적용하여 다양성을 촉진한다.
• 전면 네트워크를 ResNet-50 백본으로 사용하고 이중 브랜치 구조(주의 집중 브랜치와 글로벌 브랜치)를 도입하여 두 출력물을 결합해 최종 임베딩을 생성한다.
• 교차 엔트로피, 하드 마이닝 트리플렛 손실, SVDO 페널티를 결합한 손실(L = Lxent + β_tr L_triplet + β_O.F L_O.F + β_O.W L_O.W)로 학습한다.
• 전체 SVD를 피하기 위해 힘의 반복(power iteration)을 사용하여 FF^T의 상위 고유값을 근사하여 SVDO를 구현한다.

실험 결과

연구 질문

• RQ1 채널 주의와 위치 주의의 결합이 재식별에서 불일치 및 배경 교란에 대한 강건성을 향상시킬 수 있는가?
• RQ2 SVDO로 다양성을 강제하면 특징 간 상관관계를 줄이고 유클리드 거리를 사용할 때 검색 성능이 향상되는가?
• RQ3 Market-1501, DukeMTMC-Re-ID, MSMT17에서 ABD-Net은 최첨단과 비교하여 어떻게 성능을 보이는가?
• RQ4 재식별 성능의 전반적 이득에서 주의 집중과 다양성의 기여도는 각각 얼마나 되는가?

주요 결과

• ABD-Net은 세 가지 주요 Re-ID 벤치마크에서 지속적으로 이전 방법보다 우수하다.
• CAM과 PAM의 공동 사용은 어느 한 모듈의 단독 사용보다 더 나은 성능을 보인다.
• 피처와 가중치에 대한 SVDO 기반 규제가 특징 간 상관관계를 줄이고 판별력을 향상시킨다.
• 주의 집중과 다양성을 결합하면 주의 집중이나 다양성 단독보다 추가 이득이 발생한다.
• Market-1501에서 ABD-Net은 주의 집중 기반 기준선 대비 상당한 이득으로 최첨단 결과를 달성한다.
• DukeMTMC-Re-ID와 MSMT17에서 ABD-Net은 선도적인 Top-1 및 mAP 점수를 달성한다.