[論文レビュー] Towards Good Practices on Building Effective CNN Baseline Model for Person Re-identification

Fu Xiong, Yang Xiao+4 more|ArXiv.org|Jul 29, 2018

Video Surveillance and Tracking Methods参考文献 27被引用数 23

ひとこと要約

本論文は、人物再識別のための強力なCNNベースラインを構築するための3つの効果的で単純な実践を提案する：グローバルプーリングの後にバッチ正規化を追加すること、識別分類に1つの全結合層を使用すること、Adam最適化手法を採用すること。これらの実践は、3つのベンチマークデータセット（Market-1501、DukeMTMC-reID、CUHK03）において顕著に性能を向上させ、複雑なアーキテクチャやドメイン特化のテクニックを用いずに、ソフトマックス損失のみを用いて最先端の結果を達成する。

ABSTRACT

Person re-identification is indeed a challenging visual recognition task due to the critical issues of human pose variation, human body occlusion, camera view variation, etc. To address this, most of the state-of-the-art approaches are proposed based on deep convolutional neural network (CNN), being leveraged by its strong feature learning power and classification boundary fitting capacity. Although the vital role towards person re-identification, how to build effective CNN baseline model has not been well studied yet. To answer this open question, we propose 3 good practices in this paper from the perspectives of adjusting CNN architecture and training procedure. In particular, they are adding batch normalization after the global pooling layer, executing identity categorization directly using only one fully-connected, and using Adam as optimizer. The extensive experiments on 3 widely-used benchmark datasets demonstrate that, our propositions essentially facilitate the CNN baseline model to achieve the state-of-the-art performance without any other high-level domain knowledge or low-level technical trick.

研究の動機と目的

• 人物再識別研究における一貫性があり効果的なCNNベースライン実践の欠如に対処すること。
• 不一致なトレーニングやアーキテクチャ選択によって引き起こされる報告結果のばらつきを低減すること。
• 標準的なコンponentsと損失関数のみを用いて、信頼性があり再現可能で高性能なベースラインを確立すること。
• 人物再識別コミュニティにおける新しい手法の公平な比較と正確な評価を促進すること。

提案手法

• グローバル平均プーリング層の後にバッチ正規化を導入し、特徴の安定化と過学習の低減を図る。
• バッチ正規化済みのグローバルプーリング特徴に直接、1つの全結合層を用いて識別分類を行う。
• 固定された初期学習率と重み減衰を用いて、SGDの代わりにAdam最適化手法を採用する。
• ImageNetで事前学習されたバックボーン（例：ResNet-50、ResNeXt-50、DenseNet-121）を用い、エンドツーエンドでクロスエントロピー（ソフトマックス）損失を用いてモデルを訓練する。
• 公平な比較を確保するため、標準的なデータオーグメンテーションと学習率スケジュール（例：20エポックごとに0.1にスケーリング）を適用する。
• Market-1501、DukeMTMC-reID、CUHK03で標準的な指標（ランク-1精度と平均平均精度（mAP））を用いてパフォーマンスを評価する。

実験結果

リサーチクエスチョン

• RQ1 人物再識別における標準的なCNNベースラインのパフォーマンスを顕著に向上させる、単純で効果的な実践は何か？
• RQ2 グローバルプーリングの後にバッチ正規化を追加すると、モデルの汎化性能と過学習にどのような影響を与えるか？
• RQ3 分類に1つの全結合層を使用すると、より深いまたはより複雑なヘッド設計を用いた場合に比べて性能が優れているか？
• RQ4 標準的な設定下で、AdamがSGDを常に上回る性能を発揮するのか？
• RQ5 これらの実践を組み合わせることで、アーキテクチャの革新や複雑な損失関数を用いずに、標準ベースラインを最先端のパフォーマンスにまで引き上げられるか、その程度はどの程度か？

主な発見

• Adamを最適化手法として使用することで、Market-1501ではmAPが72.4%から78.8%に、DukeMTMC-reIDでは64.5%から68.8%に向上した。
• グローバルプーリングの後にバッチ正規化を追加することで、すべてのデータセットで一貫した性能向上が得られ、過学習が低減した。
• 1つの全結合層アプローチは、3つのベンチマークデータセットすべてで最先端のパフォーマンスを達成し、複雑なヘッド設計は必ずしも必要でないことを示した。
• 3つの実践を組み合わせることで、ResNet-50はMarket-1501で91.7%のランク-1精度と78.8%のmAPを達成し、以前のベースラインを上回った。
• 失敗要因の分析から、34.3%の失敗は外見が類似した人物に起因しており、現在のモデルにとって最も困難なケースであることが判明した。
• 最も頻度の高い失敗タイプ（37.8%）は、1枚のクエリ画像に複数人の人物が含まれる場合であり、これは曖昧なケースとみなされ、実際の応用上はそれほど問題視されない。