[논문 리뷰] Auto-ReID: Searching for a Part-aware ConvNet for Person Re-Identification

Ruijie Quan, Xuanyi Dong외 3명|arXiv (Cornell University)|2019. 03. 23.

Video Surveillance and Tracking Methods참고 문헌 45인용 수 42

한 줄 요약

Auto-ReID는 사람 재식별(re-ID)을 위해 부분 인식 CNN 아키텍처를 자동으로 검색하고, reID 전용 검색 공간과 검색 기반 NAS를 도입하여 파라미터 수를 줄인 채 최첨단 성능을 달성합니다.

ABSTRACT

Prevailing deep convolutional neural networks (CNNs) for person re-IDentification (reID) are usually built upon ResNet or VGG backbones, which were originally designed for classification. Because reID is different from classification, the architecture should be modified accordingly. We propose to automatically search for a CNN architecture that is specifically suitable for the reID task. There are three aspects to be tackled. First, body structural information plays an important role in reID but it is not encoded in backbones. Second, Neural Architecture Search (NAS) automates the process of architecture design without human effort, but no existing NAS methods incorporate the structure information of input images. Third, reID is essentially a retrieval task but current NAS algorithms are merely designed for classification. To solve these problems, we propose a retrieval-based search algorithm over a specifically designed reID search space, named Auto-ReID. Our Auto-ReID enables the automated approach to find an efficient and effective CNN architecture for reID. Extensive experiments demonstrate that the searched architecture achieves state-of-the-art performance while reducing 50% parameters and 53% FLOPs compared to others.

연구 동기 및 목표

• classification 백본을 넘는 reID 특화 아키텍처 설계의 필요성에 대한 동기 부여.
• body-part 구조를 학습 가능한 모듈로 인코딩하는 새로운 reID 지향 검색 공간 제안.
• 재식별 목적을 위한 손실 최적화를 통해 분류 이외의 objective를 최적화하는 검색 기반 NAS 알고리즘 개발.
• 최적화된 아키텍처가 모델 크기와 연산량을 줄이면서 우수한 정확도를 달성한다는 점을 입증합니다.

제안 방법

• 신체 구조 정보를 포착하는 새로은 part-aware 모듈을 통합하여 reID 검색 공간 설계.
• 차별가능한 NAS 프레임워크를 채택하여 아키텍처 매개변수(alpha)와 연산 매개변수(omega)를 검색 손실 하에서 최적화합니다.
• Topology가 검색되는 뉴럴 셀을 가진 ResNet과 같은 구조의 매크로 백본을 사용합니다.
• NAS를 reID 목표에 맞추기 위해 L_ret = lambda L_s + (1 - lambda) L_t의 혼합 재식별 손실을 도입합니다.
• ImageNet 사전 학습 여부에 관계없이 표준 reID 벤치마크에서 최종 검색된 CNN을 학습 및 평가합니다.

실험 결과

연구 질문

• RQ1 신경망 아키텍처 검색이 분류 백본보다 신체 구조를 더 잘 포착하는 reID 특화 아키텍처를 낳을 수 있는가?
• RQ2 NAS 검색 공간에 학습 가능한 part-aware 모듈을 포함하는 것이 reID 성능과 효율성을 개선하는가?
• RQ3 재식별 지향 NAS 목표가 재식별 작업에서 전통적인 분류 기반 NAS 목표보다 우수한가?
• RQ4 표준 reID 벤치마크에서 Auto-ReID 아키텍처의 성능과 효율성 이득(매개변수, FLOPs)은 어느 정도인가?

주요 결과

• part-aware 모듈이 포함된 Auto-ReID 검색 공간은 파라미터 수와 FLOPs를 크게 줄이면서도 재식별 성능이 경쟁적이거나 우수한 아키텍처를 낳습니다.
• 대조군과 비교할 때 Auto-ReID 검색 모델은 Market-1501에서 더 높은 Rank-1 및 mAP를 달성하고 CUHK03 및 MSMT17로의 일반화도 강합니다.
• ImageNet 사전 학습을 사용할 경우 Auto-ReID는 Market-1501에서 최첨단 성능에 도달하고 여러 수작업 백본보다 우수한 성능을 보이며 매개변수를 45% 이상 줄입니다.
• NAS에서 재식별 손실의 활용은 대부분의 구성에서 CNN 품질을 개선합니다.
• Abalations에서 reID 특화 검색 공간과 재식별 기반 검색이 Baseline, Baseline+ReID Search Space, 및 DARTS/GDAS 대비 우수한 성능을 보였습니다.