[논문 리뷰] Towards better Validity: Dispersion based Clustering for Unsupervised Person Re-identification

Guodong Ding, Salman H. Khan외 3명|arXiv (Cornell University)|2019. 06. 04.

Video Surveillance and Tracking Methods참고 문헌 47인용 수 19

한 줄 요약

이 논문은 통계적 산점도를 사용하여 군집 내 밀도와 군집 간 분리도를 동시에 최적화함으로써 군집 타당도를 향상시키는 산점도 기반 군집화(DBC) 방법을 제안한다. 제안된 방법은 수동 레이블링이 비용이 많이 들기 때문에 실용적이지 않은 비지도(person re-identification) 환경에서 최신 기술보다 유의미한 성능 향상을 달성하며, Market-1501에서 69.2%의 rank-1 및 41.3%의 mAP, DukeMTMC-VideoReID에서 75.2%의 rank-1 및 66.1%의 mAP를 기록한다.

ABSTRACT

Person re-identification aims to establish the correct identity correspondences of a person moving through a non-overlapping multi-camera installation. Recent advances based on deep learning models for this task mainly focus on supervised learning scenarios where accurate annotations are assumed to be available for each setup. Annotating large scale datasets for person re-identification is demanding and burdensome, which renders the deployment of such supervised approaches to real-world applications infeasible. Therefore, it is necessary to train models without explicit supervision in an autonomous manner. In this paper, we propose an elegant and practical clustering approach for unsupervised person re-identification based on the cluster validity consideration. Concretely, we explore a fundamental concept in statistics, namely \emph{dispersion}, to achieve a robust clustering criterion. Dispersion reflects the compactness of a cluster when employed at the intra-cluster level and reveals the separation when measured at the inter-cluster level. With this insight, we design a novel Dispersion-based Clustering (DBC) approach which can discover the underlying patterns in data. This approach considers a wider context of sample-level pairwise relationships to achieve a robust cluster affinity assessment which handles the complications may arise due to prevalent imbalanced data distributions. Additionally, our solution can automatically prioritize standalone data points and prevents inferior clustering. Our extensive experimental analysis on image and video re-identification benchmarks demonstrate that our method outperforms the state-of-the-art unsupervised methods by a significant margin. Code is available at https://github.com/gddingcs/Dispersion-based-Clustering.git.

연구 동기 및 목표

• 높은 노동력 비용으로 인해 수동 레이블링이 비현실적인 비지도 인물 재식별 문제에 대응한다.
• 고정된 군집 수나 최적화되지 않은 병합 히우리스틱에 의존하는 기존 군집화 방법의 한계를 극복한다.
• 실제 인물 재식별 데이터셋에서 흔히 발생하는 불균형한 데이터 분포에 대한 군집화의 강건성을 향상시킨다.
• 외부 감독 없이도 싱글턴 포인트를 자연스럽게 처리하고 열악한 군집화를 방지할 수 있는 군집 타당도 기준을 개발한다.
• 레이블 데이터나 보조 데이터셋에 의존하지 않고도 이미지 및 영상 기반 재식별 벤치마크에서 최신 기술 수준의 성능을 달성한다.

제안 방법

• 군집 품질 평가에 군집 내 밀도와 군집 간 분리도를 사용하는 산점도 기반 군집화(DBC) 프레임워크를 제안한다.
• 산점도 기반 병합 기준을 정의한다: 낮은 군집 내 산점도(밀도 높은 군집)와 높은 군집 간 산점도(분리도 높은 군집)를 우선시한다.
• 군집 간 산점도를 측정하기 위해 군집 간 평균 연결도를 사용하여 병합 결정을 이끌어낸다.
• 더 넓은 쌍별 관계를 고려하는 산점도 기반 유사도 평가를 통합함으로써 불균형한 분포에 대한 강건성을 향상시킨다.
• 자동으로 싱글턴 포인트를 탐지하고, 낮은 품질의 군집에 포함되지 않도록 우선순위를 정한다.
• 사전에 설정된 군집 수가 필요 없이, 하향식으로 계층적으로 DBC 알고리즘을 적용하여 반복적으로 군집을 병합한다.

실험 결과

연구 질문

• RQ1 통계적으로 탄탄한 군집 타당도 측정 기준이 비지도 인물 재식별에서 군집화 성능을 향상시킬 수 있는가?
• RQ2 산점도 기반 군집화가 복잡하고 불균형한 데이터 분포를 다룰 때 히우리스틱 기반 병합 규칙(예: 최소 거리 기반)보다 우수한가?
• RQ3 산점도 기반 기준이 군집 밀도를 유지하면서도 서로 다른 신원을 잘못 병합하는 것을 어느 정도 방지할 수 있는가?
• RQ4 제안된 방법이 외부 감독 없이 이미지 및 영상 기반 재식별 벤치마크 전반에 걸쳐 효과적으로 일반화되는가?
• RQ5 보조 감독 신호를 사용하는 최신 비지도 및 약한 지도 학습 방법과 비교해도, 이 방법이 여전히 슈퍼리어 성능을 낼 수 있는가?

주요 결과

• 제안된 DBC 방법은 Market-1501에서 69.2%의 rank-1 및 41.3%의 mAP를 기록하며, 이는 이전 최고 성능(SOTA)인 BUC 방법보다 rank-1 정확도에서 3%p 향상된 성과이다.
• DukeMTMC-reID에서 DBC는 68.5%의 rank-1 및 42.1%의 mAP를 달성하여 비지도 기반 베이스라인에 비해 일관된 성능 향상을 보였다.
• 영상 기반 벤치마크에서 DBC는 DukeMTMC-VideoReID에서 75.2%의 rank-1 및 66.1%의 mAP를 기록하며, BUC보다 rank-1에서 6%p, mAP에서 4.2%p 향상된 성능을 보였다.
• 여러 군집화 단계 동안 안정적인 성능 유지를 유지하며, BUC 대비 군집 수 변화에 대한 정확도 저하 속도가 느려 강건성을 입증했다.
• 특성 레이블(TJ-AIDL)이나 원샷 학습(EUG)을 사용하는 방법들과 비교해도, DBC는 완전히 비지도 학습임에도 불구하고 각각 11%p와 13.4%p 높은 rank-1 정확도를 확보했다.
• T-SNE 시각화 분석을 통한 정성적 평가 결과, DBC는 동일 신원의 샘플을 효과적으로 한 군집으로 묶는 동시에, 외관은 유사하지만 다른 신원의 샘플을 잘못 병합하는 것을 최소화하는 것으로 확인되었다.