[논문 리뷰] Parameter-Free Spatial Attention Network for Person Re-Identification

Haoran Wang, Yue Fan외 3명|arXiv (Cornell University)|2018. 11. 29.

Video Surveillance and Tracking Methods참고 문헌 21인용 수 78

한 줄 요약

논문은 GAP 이전에 매개변수 없이 공간 주의 레이어를 도입하여 공간 관계를 모델링하고, GAP 기반 Re-ID 모델의 성능을 향상시키며 네 가지 벤치마크에서 최첨단 결과를 달성합니다.

ABSTRACT

Global average pooling (GAP) allows to localize discriminative information for recognition [40]. While GAP helps the convolution neural network to attend to the most discriminative features of an object, it may suffer if that information is missing e.g. due to camera viewpoint changes. To circumvent this issue, we argue that it is advantageous to attend to the global configuration of the object by modeling spatial relations among high-level features. We propose a novel architecture for Person Re-Identification, based on a novel parameter-free spatial attention layer introducing spatial relations among the feature map activations back to the model. Our spatial attention layer consistently improves the performance over the model without it. Results on four benchmarks demonstrate a superiority of our model over the state-of-the-art achieving rank-1 accuracy of 94.7% on Market-1501, 89.0% on DukeMTMC-ReID, 74.9% on CUHK03-labeled and 69.7% on CUHK03-detected.

연구 동기 및 목표

• Global Average Pooling (GAP)이 미세한 사람 재식별을 위한 공간 관계를 포착하는 데 한계를 보임을 해결합니다.
• 채널 간 활성화를 기반으로 공간 위치의 가중치를 재정의하는 매개변수 없는 공간 주의 레이어를 제안합니다.
• 공간 주의 레이어를 GAP 기반 분류기와 깊은 감독 및 부분 기반 특징과 함께 통합합니다.
• 제안된 접근법이 강건하고 분산된 주의를 제공하여 교차 시야 Re-ID 성능을 향상시키는지 보입니다.

제안 방법

• 채널 간 활성화를 위치별로 합산하고 공간 위치에 대해 소프트맥스(softmax)를 적용하여 특징 맵을 재가중하는 매개변수 없는 공간 주의 레이어를 도입합니다.
• 공간 주의 레이어를 GAP 이전에 삽입합니다. 이 레이어는 각 공간 위치의 총 강도에 비례하며 학습 가능한 매개변수를 도입하지 않습니다.
• ResNet-50 백본, 깊은 감독 분기 및 PCB 스타일의 파트 분류기로 전체 아키텍처를 구성하며, 보조 분기에 공간 주의 레이어를 적용합니다.
• 총 손실 L_total = (1-λ) 보조 손실의 합 + λ 깊은 감독 손실의 합 + λ 전역 손실을 사용하는 복합 손실로 학습하며, 여섯 개의 파트 특징과 글로벌 특징을 사용합니다.

실험 결과

연구 질문

• RQ1 매개변수 없는 공간 주의 메커니즘이 시야 변화와 차단 하에서 GAP 기반 특징의 강건성을 향상시킬 수 있을까?
• RQ2 공간 위치 전반에 걸친 주의 분포가 재-ID 모델의 클래스 활성 맵과 그래디언트 흐름에 어떤 영향을 미치는가?
• RQ3 공간 주의와 깊은 감독 및 파트 기반 특징의 결합이 표준 재-ID 벤치마크에서 최첨단 성능을 보이나?

주요 결과

데이터셋	Market-1501 R-1	Market-1501 mAP	DukeMTMC-ReID R-1	DukeMTMC-ReID mAP	CUHK03 labeled R-1	CUHK03 labeled mAP	CUHK03 detected R-1	CUHK03 detected mAP
저희	94.7	91.7	89.0	85.9	74.9	76.5	69.7	72.2

• 공간 주의 레이어는 주의 없이 GAP보다 지속적으로 성능을 개선합니다.
• Market-1501에서 제안 방법은 표의 94.7% Rank-1 및 91.7% mAP를 달성합니다.
• DukeMTMC-ReID에서 89.0% Rank-1 및 85.9% mAP에 도달합니다.
• CUHK03 (labeled)에서 74.9% Rank-1 및 76.5% mAP에 도달합니다.
• CUHK03 (detected)에서 69.7% Rank-1 및 72.2% mAP에 도달합니다.
• 정성적 CAM 시각화는 더 분산된 주의와 부분 차단에 대한 강건성을 보여주며, SA(SA1/SA2) 및 아키텍처 선택의 이점을 뒷받침합니다.