[논문 리뷰] In Defense of the Classification Loss for Person Re-Identification

Yao Zhai, Xun Guo외 2명|arXiv (Cornell University)|2018. 09. 16.

Video Surveillance and Tracking Methods참고 문헌 30인용 수 3

한 줄 요약

이 논문은 전역 특징과 표준 분류 손실을 사용하여 사람 재식별 성능을 크게 향상시키는 채널 그룹화 및 다중 분류 브랜치 프레임워크를 제안한다. 이는 부분 기반 모델보다 빠른 추론 속도를 기록하면서도 최신 기술 수준의 정확도를 달성한다. 전역 특징을 채널 그룹으로 나누고 각 그룹에 대해 별도의 분류 헤드를 훈련시음으로써, 분류 능력을 향상시키면서도 계산 비용은 낮게 유지한다.

ABSTRACT

The recent research for person re-identification has been focused on two trends. One is learning the part-based local features to form more informative feature descriptors. The other is designing effective metric learning loss functions such as the triplet loss family. We argue that learning global features with classification loss could achieve the same goal, even with some simple and cost-effective architecture design. In this paper, we first explain why the person re-id framework with standard classification loss usually has inferior performance compared to metric learning. Based on that, we further propose a person re-id framework featured by channel grouping and multi-branch strategy, which divides global features into multiple channel groups and learns the discriminative channel group features by multi-branch classification layers. The extensive experiments show that our framework outperforms prior state-of-the-arts in terms of both accuracy and inference speed.

연구 동기 및 목표

• 훈련과 테스트 목표 간의 불일치로 인해 표준 분류 손실이 사람 재식별에서 성능이 떨어지는 문제를 해결하기 위해.
• 전역 특징의 분류 잠재력을 높이기 위해 특징를 채널 그룹으로 분할하여 더 견고한 특징 학습을 가능하게 하기 위해.
• 부분 기반 모델과 동등하거나 이를 초월하는 정확도를 확보하면서도 추론 시간을 줄이는 비용 효율적인 아키텍처를 설계하기 위해.
• 다중 분류 브랜치를 사용한 그룹화된 전역 특징에서 메트릭 학습 및 부분 기반 특징 학습보다 우수한 성능을 낼 수 있음을 입증하기 위해.

제안 방법

• 방법은 전역 특징 맵을 여러 채널 그룹으로 나누며, 각 그룹은 공유된 컨볼루션 레이어를 통해 독립적으로 처리된다.
• 각 채널 그룹은 별도의 완전 연결 분류 레이어에 입력되어 분류 특징의 다중 분류 브랜치 학습이 가능해진다.
• 추론 시, 개별 채널 그룹의 특징는 별도로 사용하거나 연결할 수 있으며, 추가적인 거리 계산 비용이 들지 않는다.
• 프레임워크는 훈련에 교차 엔트로피 소프트맥스 손실을 사용하며, 하드 샘플 마이닝이나 복잡한 메트릭 손실 함수가 필요로 하지 않는다.
• 채널 그룹 특징를 부분 특징과 연결하여 부분 기반 모델과 통합함으로써 성능을 더욱 향상시킨다.
• 표준 훈련 및 평가 프로토콜을 사용하여 Market-1501, DukeMTMC-reID, CUHK03 벤치마크에서 방법을 평가한다.

실험 결과

연구 질문

• RQ1 적절히 개선된 표준 분류 손실이 사람 재식별에서 최신 기술 수준의 성능을 달성할 수 있는가?
• RQ2 전역 특징를 채널 그룹으로 분할하는 것이 부분 기반 또는 전역 특징 학습보다 분류 능력 향상에 더 효과적인가?
• RQ3 채널 그룹에 대한 다중 분류 브랜치 설계가 추론 비용을 증가시키지 않으면서도 메트릭 학습 손실의 성능을 따라하거나 초월할 수 있는가?
• RQ4 제안된 방법은 정확도와 추론 속도 측면에서 부분 기반 모델과 비교해 어떻게 성능을 내는가?

주요 결과

• 제안된 방법은 Market-1501에서 93.9%의 랭크-1 정확도와 80.5%의 mAP를 기록하여 이전 최신 기술 수준의 방법을 뛰어넘었다.
• DukeMTMC-reID에서 84.7%의 랭크-1 정확도와 69.4%의 mAP를 달성하여 새로운 최신 기술 수준을 설정했다.
• 모든 벤치마크에서 PCB 및 PCB+RPP를 능가하면서도 상당히 빠른 추론 속도를 유지했다.
• 채널 그룹화 전략만으로도 표준 분류 손실보다 성능 향상이 가능하며, 부분 기반 특징와 조합하면 추가적인 성능 향상이 이루어졌다.
• 추론 비용은 표준 분류 네트워크와 거의 동일하여 최소한의 계산 오버헤드로 경쟁 가능한 성능를 달성했다.
• 시각화 결과, 표준 분류나 트리플릿 손실에서 학습된 특징에 비해 제안된 방법에서 학습된 특징는 더 큰 클래스 간 분산과 더 작은 클래스 내 분산을 보였다.