[論文レビュー] Learning Diverse Features with Part-Level Resolution for Person Re-Identification

Ben Xie, Xiaofu Wu+3 more|arXiv (Cornell University)|Jan 21, 2020

Video Surveillance and Tracking Methods参考文献 16被引用数 6

ひとこと要約

本稿では、人物再識別のための軽量な2本のブランチからなるネットワーク、PLR-OSNetを提案する。この手法は、均一に分割された部分特徴を1つのベクトルに連結することで特徴の多様性を向上させ、1つのアイデンティティ予測損失を用いることで、Market1501、DukeMTMC-reID、CUHK03の3つのベンチマークで最先端の性能を達成し、モデルサイズが小さい。

ABSTRACT

Learning diverse features is key to the success of person re-identification. Various part-based methods have been extensively proposed for learning local representations, which, however, are still inferior to the best-performing methods for person re-identification. This paper proposes to construct a strong lightweight network architecture, termed PLR-OSNet, based on the idea of Part-Level feature Resolution over the Omni-Scale Network (OSNet) for achieving feature diversity. The proposed PLR-OSNet has two branches, one branch for global feature representation and the other branch for local feature representation. The local branch employs a uniform partition strategy for part-level feature resolution but produces only a single identity-prediction loss, which is in sharp contrast to the existing part-based methods. Empirical evidence demonstrates that the proposed PLR-OSNet achieves state-of-the-art performance on popular person Re-ID datasets, including Market1501, DukeMTMC-reID and CUHK03, despite its small model size.

研究の動機と目的

• 既存の部分ベースの手法が、人物再識別において多様で判別力のある特徴を学習する点で抱える制限を解決すること。
• グローバル特徴ブランチと部分レベルの解像度を有するブランチを備えた2本のブランチアーキテクチャを導入することで、特徴の多様性とモデルの効率性を向上させること。
• 従来の手法が各部分毎に別々のID損失を用いるのに対し、連結された部分特徴に対して1つのID損失を用いることで、性能が向上するかどうかを検証すること。
• 注意機構モジュールとトリプレット損失の変種が、軽量なネットワーク内での性能向上にどの程度寄与するかを評価すること。

提案手法

• オムニスケールネットワーク（OSNet）に基づく2本のブランチからなるPLR-OSNetを提案。グローバルブランチはグローバルマックスプーリングを用い、ローカルブランチは均一な水平分割を用いて部分レベルの特徴解像度を実現する。
• 部分特徴を連結した出力に対して1つのアイデンティティ予測損失を適用する。これは、従来の手法が各部分毎に別々のID損失を用いるのとは対照的である。
• 共有バックボーンに注意モジュールを統合して特徴表現を強化するが、OSNetに元々組み込まれた注意機構の影響により、向上は限定的である。
• マージンベースのメトリクス学習にソフトマージントリプレット損失を用い、これはCUHK03ではハードマージントリプレット損失を上回る性能を示すが、他のデータセットでは一貫した優位性は見られない。
• グローバル特徴の連結を適用することで、ロバストネスと性能の向上を図り、アブレーションスタディによりその効果が明確に確認されている。
• 軽量なOSNetアーキテクチャを活用することで、最小限のモデルサイズで高い性能を維持している。

実験結果

リサーチクエスチョン

• RQ1 連結された部分レベル特徴に対して1つのアイデンティティ予測損失を適用することで、各部分毎に別々のID損失を用いる従来手法よりも優れた性能が達成できるか？
• RQ2 グローバル特徴の導入が、部分ベースの再識別モデルの性能にどのように影響するか？
• RQ3 PLR-OSNetのような軽量ネットワークにおいて、注意モジュールの使用が顕著な性能向上をもたらすか？
• RQ4 なぜソフトマージントリプレット損失は、他のデータセットでは一貫した向上を示さないものの、CUHK03ではハードマージントリプレット損失を顕著に上回るのか？
• RQ5 部分レベルの解像度とグローバル特徴学習を併せ持つ2本のブランチアーキテクチャが、小さなモデルサイズで最先端の結果を達成できるか？

主な発見

• DukeMTMC-reIDでは、PLR-OSNetが91.6%のランク-1精度と81.2%のmAPを達成し、モデルサイズが小さいにもかかわらず、以前の最先端手法を上回った。
• CUHK03-Labeledでは、PLR-OSNetが84.6%のランク-1精度と80.5%のmAPを達成し、リランキングなしでも優れた性能を示した。
• グローバル特徴の使用により、CUHK03-Labeledにおいてグローバル特徴なしのモデルと比較して、ランク-1精度が3.4%向上した。
• 部分特徴を連結した出力に対して1つのID損失を適用した場合、複数のID損失を各部分に適用する手法と比較して、Market1501でmAPが3.3%高い結果となり、より高いロバストネスが示された。
• CUHK03では、ソフトマージントリプレット損失がハードマージントリプレット損失を顕著に上回り、ランク-1精度で6%の差、mAPで4.6%の差を示したが、他のデータセットでは同様の差は観察されなかった。
• 注意モジュールは一貫したが限定的な性能向上をもたらしたため、OSNetに内蔵された注意機構が、さらなる向上を制限していると考えられる。