[논문 리뷰] Rethinking Sampling Strategies for Unsupervised Person Re-identification

Xumeng Han, Xuehui Yu외 6명|arXiv (Cornell University)|2021. 07. 07.

Video Surveillance and Tracking Methods참고 문헌 48인용 수 4

한 줄 요약

이 논문은 동일한 클래스의 샘플을 그룹화하여 통계적 안정성을 향상시키고 과적합을 완화함으로써 비지도(person re-identification) 성능을 향상시키는 새로운 전략인 그룹 샘플링을 제안한다. 순수한 카메라 무지식 설정에서 Market-1501, DukeMTMC-reID, MSMT17에서 최신 기술 수준(SOTA) 성능을 달성하며, 추가 파rameter나 계산 비용 없이도 기존 방법들을 능가한다.

ABSTRACT

Unsupervised person re-identification (re-ID) remains a challenging task. While extensive research has focused on the framework design and loss function, this paper shows that sampling strategy plays an equally important role. We analyze the reasons for the performance differences between various sampling strategies under the same framework and loss function. We suggest that deteriorated over-fitting is an important factor causing poor performance, and enhancing statistical stability can rectify this problem. Inspired by that, a simple yet effective approach is proposed, termed group sampling, which gathers samples from the same class into groups. The model is thereby trained using normalized group samples, which helps alleviate the negative impact of individual samples. Group sampling updates the pipeline of pseudo-label generation by guaranteeing that samples are more efficiently classified into the correct classes. It regulates the representation learning process, enhancing statistical stability for feature representation in a progressive fashion. Extensive experiments on Market-1501, DukeMTMC-reID and MSMT17 show that group sampling achieves performance comparable to state-of-the-art methods and outperforms the current techniques under purely camera-agnostic settings. Code has been available at https://github.com/ucas-vg/GroupSampling.

연구 동기 및 목표

• 동일한 프레임워크와 손실 함수를 사용함에도 불구하고 샘플링 전략이 비지도 인물 재식별 성능에 미치는 영향이 크다는 이유를 탐구하기 위해.
• 랜덤 샘플링 하에서 성능 저하의 주요 원인으로 간주되는 과적합 악화 현상을 규명하기 위해.
• 동일한 클래스의 샘플을 그룹화하여 통계적 안정성을 향상시키고 보다 일관된 특징 학습을 가능하게 하는 그룹 샘플링 전략을 제안하기 위해.
• 카메라 지식을 사용하지 않는 순수한 카메라 무지식 설정 하에서 기존 방법들보다 그룹 샘플링이 뛰어난 성능을 내는 것을 입증하기 위해.

제안 방법

• 그룹 샘플링은 동일한 신원의 샘플을 그룹으로 묶어, 각 미니배치가 랜덤하게 혼합된 샘플이 아닌 동일한 클래스의 대표 클러스터를 포함하도록 한다.
• 정규화된 그룹 샘플을 사용하여 모델을 학습함으로써, 개별 이상치 샘플이 클래스 수준 최적화에 미치는 영향을 줄여 특징 표현의 안정성을 높인다.
• 이상치 처리를 재구조화하여 군집화되지 않은 이상치를 그룹화된 인스턴스에서 분리하고, 전용 이상치 그룹(Tre. II)을 사용해 클러스터 표현의 오염을 방지한다.
• 대비 학습 기반 아키텍처에 원활하게 통합되며, 일관된 클래스 수준의 추세를 반영해 의사 레이블 생성 및 표현 학습을 업데이트한다.
• 고정된 K-샘플링이 필요로 하는 트리플릿 샘플링을 피하기 위해 동일한 클래스의 샘플을 직접 그룹화함으로써, 부족 샘플링/과도 샘플링 간의 상충관계를 줄인다.
• 노이즈가 많거나 지배적인 개별 샘플로 인한 클래스 수준 표현 붕괴를 방지함으로써, 내부 클래스 유사성과 외부 클래스 차별성을 유지한다.

실험 결과

연구 질문

• RQ1 동일한 모델 아키텍처와 손실 함수를 사용함에도 불구하고 랜덤 샘플링이 비지도 인물 재식별 성능을 떨어뜨리는 이유는 무엇인가?
• RQ2 비지도 재식별에서 과적합 악화가 발생하는 원인은 무엇이며, 샘플링 설계를 통해 이를 어떻게 완화할 수 있는가?
• RQ3 동일한 클래스의 샘플을 그룹화하면 대비 학습에서 통계적 안정성과 표현 품질이 어떻게 향상되는가?
• RQ4 그룹 샘플링과 같은 간단한 샘플링 전략이 추가 파rameter나 카메라 지식 없이도 최신 기술 수준 성능을 달성할 수 있는가?
• RQ5 왜 트리플릿 샘플링이 랜덤 샘플링보다 성능이 좋고, 더 체계적인 그룹 샘플링 전략이 이를 뛰어넘을 수 있는가?

주요 결과

• 그룹 샘플링은 순수한 카메라 무지식 설정에서 DukeMTMC-reID에서 최고의 mAP 성능을 기록하며, 다른 모든 방법들보다 최소 1.8% 이상 뛰어난 성능을 보였다.
• Market-1501에서는 모든 방법들 중 두 번째로 뛰어난 성능을 기록하여 다양한 데이터셋에 대한 강력한 일반화 능력을 입증했다.
• MSMT17에서도 순수한 카메라 무지식 조건에서 최신 기술 수준 기법들을 능가하는 성능을 보였으며, 많은 SOTA 기법들이 카메라 특화 샘플링에 의존하는 점을 감안할 때 뚜렷한 우월성을 보였다.
• 그룹 샘플링에서 이상치 처리 방식을 Tre. I에서 Tre. II로 변경하면 성능 향상이 뚜렷하게 나타나, 이상치를 클러스터에서 분리하는 것이 중요함을 확인했다.
• HCD나 ICE와 같은 최신 기술 기법들에서 카메라 지식을 제거하면 성능이 저하됨을 확인했으며, 이는 순수한 카메라 무지식 설정에서 그룹 샘플링의 우수성을 입증한다.
• 제거 분석(ablation study)을 통해 그룹 샘플링이 개별 샘플의 영향을 줄여 특징 학습을 안정화시켜 과적합 악화 현상을 직접적으로 완화함을 확인했다.