[논문 리뷰] Dual Distribution Alignment Network for Generalizable Person Re-Identification

Peixian Chen, Pingyang Dai외 4명|arXiv (Cornell University)|2020. 07. 27.

Video Surveillance and Tracking Methods인용 수 8

한 줄 요약

이 논문은 다중 소스 도메인에서 두 수준의 정렬을 통해 일반화된 인물 재식별을 위한 이중 분포 정렬 네트워크(DDAN)를 제안한다: 도메인 수준의 적대적 특징 학습과 정체성 수준의 유사도 향상. 이 방법은 대규모 벤치마크에서 기존의 도메인 일반화 기법들을 뛰어넘으며, 전반적인 도메인 이동과 국소적인 정체성 수준의 도메인 불일치를 줄여 최첨단 성능을 달성한다.

ABSTRACT

Domain generalization (DG) serves as a promising solution to handle person Re-Identification (Re-ID), which trains the model using labels from the source domain alone, and then directly adopts the trained model to the target domain without model updating. However, existing DG approaches are usually disturbed by serious domain variations due to significant dataset variations. Subsequently, DG highly relies on designing domain-invariant features, which is however not well exploited, since most existing approaches directly mix multiple datasets to train DG based models without considering the local dataset similarities, i.e., examples that are very similar but from different domains. In this paper, we present a Dual Distribution Alignment Network (DDAN), which handles this challenge by mapping images into a domain-invariant feature space by selectively aligning distributions of multiple source domains. Such an alignment is conducted by dual-level constraints, i.e., the domain-wise adversarial feature learning and the identity-wise similarity enhancement. We evaluate our DDAN on a large-scale Domain Generalization Re-ID (DG Re-ID) benchmark. Quantitative results demonstrate that the proposed DDAN can well align the distributions of various source domains, and significantly outperforms all existing domain generalization approaches.

연구 동기 및 목표

• 목표 도메인 데이터 없이 새로운 도메인에서 테스트할 때 인물 재식별에서 발생하는 도메인 이동 문제를 해결하기 위해.
• 시각적 변형이 큰 도메인 간 정체성 수준의 유사성을 유지하지 못하는 기존 도메인 일반화 기법의 한계를 극복하기 위해.
• 정체성 간의 도메인 간 유사성을 모델링하여 도메인 불변성과 분류의 판별 능력을 모두 확보하는 특징 공간을 학습하기 위해.
• 이중 수준 제약 메커니즘을 통해 도메인 불변성과 분류 정확도 사이의 상충 관계를 줄이기 위해.

제안 방법

• 이중 수준 제약을 적용: 중심 도메인에 주변 도메인을 정렬함으로써 전반적인 도메인 이동을 줄이는 도메인 수준의 적대적 특징 학습.
• 동일한 정체성의 특징 간 유사도를 선택적으로 증가시키기 위해 ID 풀을 사용하는 정체성 수준의 유사도 향상 모듈을 도입.
• 주변 도메인을 중심 도메인을 기준으로 하여 적대적 학습을 통해 정렬하는 기반의 기울기 역전파 프레임워크를 사용.
• 특징 표현 학습의 안정성과 과도한 평균화 방지를 위해, 유사도 계산에 온도 조절 소프트맥스 레이어를 적용.
• 특징의 판별 능력과 일반화 능력을 향상시키기 위해 트리플릿 손실과 정체성 분류 손실(IDE)을 통합.
• 도메인 정렬 손실(L_DA), 정체성 유사도 향상 손실(L_SE), 그리고 표준 분류 및 트리플릿 손실의 조합을 사용해 엔드 투 엔드로 모델을 훈련.

실험 결과

연구 질문

• RQ1 목표 도메인 데이터 없이 도메인 수준의 적대적 특징 학습이 전반적인 도메인 이동을 효과적으로 줄일 수 있는가?
• RQ2 다양한 시각적 스타일을 가진 도메인 간 동일한 정체성의 특징을 정렬함으로써 정체성 수준의 유사도 향상이 일반화 성능을 향상시키는가?
• RQ3 일반화 성능 측면에서 이중 수준 정렬 메커니즘은 단일 수준의 도메인 정렬 또는 정체성 전용 정렬과 비교해 어떻게 성능을 내는가?
• RQ4 유사한 ID 수(k)와 온도(τ)와 같은 하이퍼파rameter의 최적 설정은 무엇인가?

주요 결과

• DDAN은 VIPeR에서 52.3%의 랭크-1 정확도, PRID에서 54.5%, GRID에서 50.6%, i-LIDs에서 78.5%를 기록하여 이전의 도메인 일반화 기법들을 뛰어넘는 성능을 달성한다.
• 제거 실험 결과, 정체성 수준의 유사도 향상 손실(L_SE)을 추가할 경우 성능 향상이 가장 크게 나타나 기준 모델 대비 mAP가 최대 4.2% 향상된다.
• 도메인 수준의 적대적 정렬(L_DA)과 정체성 수준의 향상(L_SE)을 모두 적용한 모델가 최고의 일반화 성능를 보이며, 이중 수준 제약의 상호 보완적 이점이 확인된다.
• 향상에 최적의 유사한 ID 수(k)는 8로, 이보다 큰 값은 비유사 예제를 포함시켜 성능 저하를 초래한다.
• 온도 하이퍼파rameter τ ≈ 2×10⁻³가 가장 우수한 수렴과 성능를 보이며, 2×10⁻⁵와 같은 작은 값은 학습의 불안정성을 유발한다.