[논문 리뷰] Attention Deep Model with Multi-Scale Deep Supervision for Person Re-Identification

Di Wu, Chao Wang외 2명|arXiv (Cornell University)|2019. 11. 23.

Video Surveillance and Tracking Methods참고 문헌 60인용 수 8

한 줄 요약

이 논문은 다중 척도의 깊이 있는 감독을 통한 주목사용 기반 딥러닝 모델을 제안하며, 핵심 특징을 유지하기 위해 역주목 블록을 도입하고, 향상된 훈련을 위해 다중 척도 레이어와 깊이 있는 감독을 활용한다. 이 방법은 Market-1501, DukeMTMC-reID, CUHK03에서 최신 기술 수준의 성능을 달성하며, 향상된 특징 학습과 훈련 중 정보 손실 감소를 통해 기존 방법을 능가한다.

ABSTRACT

In recent years, person re-identification (PReID) has become a hot topic in computer vision duo to it is an important part in intelligent surveillance. Many state-of-the-art PReID methods are attention-based or multi-scale feature learning deep models. However, introducing attention mechanism may lead to some important feature information losing issue. Besides, most of the multi-scale models embedding the multi-scale feature learning block into the feature extraction deep network, which reduces the efficiency of inference network. To address these issue, in this study, we introduce an attention deep architecture with multi-scale deep supervision for PReID. Technically, we contribute a reverse attention block to complement the attention block, and a novel multi-scale layer with deep supervision operator for training the backbone network. The proposed block and operator are only used for training, and discard in test phase. Experiments have been performed on Market-1501, DukeMTMC-reID and CUHK03 datasets. All the experiment results show that the proposed model significantly outperforms the other competitive state-of-the-art methods.

연구 동기 및 목표

• 주목사용 기반 PReID 모델에서 발생하는 특징 정보 손실 문제를 해결하기 위해.
• 다중 척도 특징 학습 아키텍처에서 훈련 효율성과 특징 표현을 향상시키기 위해.
• 추론 복잡도를 증가시키지 않고 표준 PReID 벤치마크에서 모델 성능을 향상시키기 위해.
• 추론 시 제거되는 훈련 전용 모듈을 설계하여 특징 학습을 향상시키기 위해.

제안 방법

• 중요한 특징 정보를 유지하기 위해 표준 주목 블록과 보완되는 역주목 블록을 도입한다.
• 훈련 중 특징 학습을 향상시키기 위해 새로운 다중 척도 레이어와 깊이 있는 감독 연산자를 제안한다.
• 다중 척도 레이어와 깊이 있는 감독은 훈련 중에만 적용되고 추론 시 제거되어 효율성을 유지한다.
• 딥 레이어 감독 연산자를 사용하여 백본 네트워크를 훈련시켜 기울기 안정성과 특징 계층 학습을 향상시킨다.
• 주목 블록과 역주목 블록을 스택하여 특징 정제와 정보 유지 간 균형을 맞춘다.
• 다양한 척도의 특징에 대해 감독 손실을 사용하여 엔드 투 엔드로 훈련함으로써 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 역주목 메커니즘이 주목사용 기반 PReID 모델에서 발생하는 특징 정보 손실을 효과적으로 완화할 수 있는가?
• RQ2 다중 척도의 깊이 있는 감독이 주목사용 기반 PReID에서 특징 표현과 모델 정확도를 향상시키는가?
• RQ3 훈련 전용 모듈이 추론 비용을 증가시키지 않고 성능 향상을 이룰 수 있는가?
• RQ4 제안된 방법이 표준 벤치마크에서 최신 기술 수준의 PReID 모델과 비교해 어떻게 성능을 내는가?

주요 결과

• 제안된 모델은 Market-1501 데이터셋에서 최신 기술 수준의 성능을 달성하며, 기존 방법을 크게 능가한다.
• DukeMTMC-reID에서, 경쟁 기술 수준의 접근 방식보다 높은 랭크-1 정확도를 달성한다.
• CUHK03에서 강력한 일반화 능력을 보이며, 다양한 평가 프로토콜에서 뛰어난 성능을 기록한다.
• 제거 실험 결과, 역주목 블록과 다중 척도의 깊이 있는 감독이 성능 향상에 기여하는 것으로 확인된다.
• 특화된 모듈가 훈련 후 제거되므로, 추론 시 높은 효율성을 유지한다.