[논문 리뷰] AD-Cluster: Augmented Discriminative Clustering for Domain Adaptive Person Re-identification

Yunpeng Zhai, Shijian Lu외 5명|arXiv (Cornell University)|2020. 04. 19.

Video Surveillance and Tracking Methods참고 문헌 52인용 수 32

한 줄 요약

AD-Cluster은 대상 도메인 샘플을 반복적으로 클러스터링하고 StarGAN으로 카메라 간 증강시키며, 최소-극대 적대 프레임워크를 통해 식별 가능한 특징을 학습하여 사람 재식별을 위한 비지도 도메인 적응 방법을 제안한다.

ABSTRACT

Domain adaptive person re-identification (re-ID) is a challenging task, especially when person identities in target domains are unknown. Existing methods attempt to address this challenge by transferring image styles or aligning feature distributions across domains, whereas the rich unlabeled samples in target domains are not sufficiently exploited. This paper presents a novel augmented discriminative clustering (AD-Cluster) technique that estimates and augments person clusters in target domains and enforces the discrimination ability of re-ID models with the augmented clusters. AD-Cluster is trained by iterative density-based clustering, adaptive sample augmentation, and discriminative feature learning. It learns an image generator and a feature encoder which aim to maximize the intra-cluster diversity in the sample space and minimize the intra-cluster distance in the feature space in an adversarial min-max manner. Finally, AD-Cluster increases the diversity of sample clusters and improves the discrimination capability of re-ID models greatly. Extensive experiments over Market-1501 and DukeMTMC-reID show that AD-Cluster outperforms the state-of-the-art with large margins.

연구 동기 및 목표

• 대상 신원이 알려지지 않은 상황에서 도메인 적응형 사람 재식별의 필요성을 제시한다.
• 클러스터링과 증강을 통해 풍부한 라벨이 없는 대상 도메인 샘플을 활용한다.
• 샘플 다양성 및 특징 분리의 학습을 함께 수행하여 식별 능력을 향상시킨다.
• Market-1501과 DukeMTMC-reID 데이터셋에서 최첨단 성과를 보여준다.

제안 방법

• 타깃 도메인에서 의사 레이블을 생성하기 위한 밀도 기반 클러스터링.
• StarGAN을 이용한 카메라 간 적응 샘플 증강으로 의사 레이블을 보존하면서 대상 도메인의 다양성을 확대한다.
• 이미지 생성기와 특징 인코더 간의 적대적 최소-최대 학습으로 샘플 다양성을 높이고 같은 클러스터 내부 특징 간 거리를 좁힌다.
• 트리플렛 기반의 판별 학습으로 클러스터 내부 거리를 최소화하고 클러스터 간 거리를 최대화한다.
• 의사 레이블과 표현을 점진적으로 정제하기 위한 반복 재클러스터링 및 재학습.

실험 결과

연구 질문

• RQ1 수동 라벨링 없이 비라벨 샘플을 도메인 적응형 재식별에 효과적으로 활용하는 방법은 무엇인가?
• RQ2 교차 카메라 이미지 생성을 통해 정체성을 보존하면서 샘플 다양성을 풍부하게 하여 판별 학습을 향상시킬 수 있는가?
• RQ3 생성기와 특징 인코더 간의 적대적 최소-최대 프레임워크가 클러스터 품질과 재식별 성능을 향상시키는가?
• RQ4 클러스터링, 증강, 판별 학습이 DukeMTMC-reID와 Market-1501 간의 전이 성능에 어떤 기여를 하는가?

주요 결과

• AD-Cluster는 DukeMTMC-reID → Market-1501 및 Market-1501 → DukeMTMC-reID 전이에서 최첨단의 비지도 도메인 적응 성과를 달성한다.
• DukeMTMC-reID → Market-1501의 경우, AD-Cluster는 86.7% rank-1 및 68.3% mAP에 도달하여 기존 최고치를 크게 상회한다.
• Market-1501 → DukeMTMC-reID의 경우, AD-Cluster는 72.6% rank-1 및 54.1% mAP를 달성하여 이전 최적값을 능가한다.
• 적응적 샘플 증강과 판별 학습은 기본값 및 어블레이션 대비 순차적으로 상당한 이익을 제공한다.
• 반복적 최소-최대 클러스터링은 밀도 기반 클러스터링만 사용했을 때에 비해 의사 레이블 정확도와 전체 재식별 지표를 향상시킨다.